ai_all_resources

Eine ultimative Zusammenstellung von KI-Ressourcen für Mathematik, maschinelles Lernen und Deep Learning

Nicht geteiltes Wissen ist Verschwendung. - Clan Jacobs

Diese Sammlung ist eine Zusammenstellung hervorragender ML- und DL-Tutorials, die von den unten aufgeführten Personen erstellt wurden

• Andrej Karpathy-Blog
• Brandon Roher
• Andrew Trask
• Jay Alammar
• Sebastian Ruder
• Destillieren
• StatQuest mit Josh Starmer
• sentdex
• Lex Fridman
• 3Blau1Braun
• Alexander Amini
• Der Codierungszug
• Christopher Olah

Communitys zum Folgen

• AI Coimbatore Hier beitreten ?
  • Telegramm: Für tägliche Updates
  • Facebook: Coimbatore School of AI
• TensorFlow-Benutzergruppe Coimbatore
  • Treffen: TFUGCbe
  • Facebook: TFUGCbe

Dieses Repo wird erstellt und verwaltet von

Navaneeth Malingan

Warum Data Science und wie fängt man an?

• So starten Sie mit maschinellem Lernen!
• So bauen Sie eine sinnvolle Karriere in der Datenwissenschaft auf
• Mein selbst erstellter Masterstudiengang für künstliche Intelligenz
• PyImageSearch
• 5 anfängerfreundliche Schritte zum Erlernen von maschinellem Lernen und Datenwissenschaft mit Python

Einführung in ML

• Luis Serrano: Eine freundliche Einführung in maschinelles Lernen
• StatQuest: Eine sanfte Einführung in maschinelles Lernen
• Maschinelles Lernen für alle Fassen Sie die Algorithmen des maschinellen Lernens und ihre Anwendungen in einfachen Worten mit Beispielen aus der Praxis zusammen.

Jeder kann maschinelles Lernen betreiben

• Lernbare Maschine Bringen Sie einem Computer bei, Ihre eigenen Bilder, Töne und Posen zu erkennen. Eine schnelle und einfache Möglichkeit, Modelle für maschinelles Lernen für Ihre Websites, Apps und mehr zu erstellen – keine Fachkenntnisse oder Programmierkenntnisse erforderlich.

MOOCs

• Maschinelles Lernen von Andrew Ng, Stanford IMDB 10/10 LOL :P
• Datacamp: Dateningenieur mit Python
• Einführung in die behandelten Themen des maschinellen Lernens: Naive Bayes, SVM, Entscheidungsbäume, Regressionen, Ausreißer, Clustering, Feature-Skalierung, Textlernen, Feature-Auswahl, PCA, Validierung, Bewertungsmetriken
• Einführung in TensorFlow für Deep Learning Der beste Kurs zum Erlernen von TensorFlow
• Durchgängiges maschinelles Lernen
• NVIDIA DEEP LEARNING INSTITUT
• Einführung in maschinelles Lernen für Programmierer!
• Praktisches Deep Learning für Programmierer, v3
• FastAI

Kurse von Top-Universitäten

Stanford-Universität

• CS221 – Künstliche Intelligenz: Prinzipien und Techniken von Percy Liang und Dorsa Sadigh
• CS229 – Maschinelles Lernen von Andrew Ng
• CS230 – Deep Learning von Andrew Ng
• CS231n – Convolutional Neural Networks for Visual Recognition von Fei-Fei Li und Andrej Karpathy
• CS224n – Verarbeitung natürlicher Sprache mit Deep Learning von Christopher Manning
• CS234 – Reinforcement Learning von Emma Brunskill
• CS330 – Tiefes Multitasking und Meta-Lernen von Chelsea Finn
• CS25 – Transformers United

Carnegie Mellon University

• CS/LTI 11-711: Advanced NLP von Graham Neubig
• CS/LTI 11-747: Neuronale Netze für NLP von Graham Neubig
• CS/LTI 11-737: Mehrsprachiges NLP von Graham Neubig
• CS/LTI 11-777: Multimodales maschinelles Lernen von Louis-Philippe Morency
• CS/LTI 11-785: Einführung in Deep Learning von Bhiksha Raj und Rita Singh
• CS/LTI Low Resource NLP Bootcamp 2020 von Graham Neubig

Massachusetts Institute of Technology

• 6.S191 – Einführung in Deep Learning von Alexander Amini und Ava Amini
• 6.S094 – Deep Learning von Lex Fridman
• 6.S192 – Deep Learning für Kunst, Ästhetik und Kreativität von Ali Jahanian

University College London

• COMP M050 Reinforcement Learning von David Silver

YouTube ML-Playlists

• Maschinelles Lernen von StatQuest mit Josh Starmer
• Intelligenz und Lernen durch The Coding Train

Glossar zum maschinellen Lernen

• Dieses Glossar definiert allgemeine Begriffe des maschinellen Lernens in verschiedenen Bereichen sowie spezifische Begriffe für TensorFlow.

Grundlagen des maschinellen Lernens (Diese Begriffe werden in den folgenden Algorithmen häufig verwendet)

• Bias und Varianz
• Kreuzvalidierung
• Grundlagen des maschinellen Lernens: Die Verwirrungsmatrix
• Sensitivität und Spezifität
• ROC und AUC, klar erklärt!
• StatQuest: R-Quadrat erklärt
• Regularisierung Teil 1: Ridge-Regression
• Regularisierung Teil 2: Lasso-Regression
• Maximale Wahrscheinlichkeit
• Kovarianz und Korrelation Teil 1: Kovarianz
• Statistikgrundlagen: Mittelwert, Varianz und Standardabweichung
• Statistikgrundlagen: Bevölkerungsparameter
• Glossar: Statistik
• Glossar: Maschinelles Lernen
• Blick auf R-Quadrat

Mathe

• Mathematik für maschinelles Lernen In diesem Beitrag habe ich tolle E-Ressourcen (MOOC, YouTube-Vorlesungen, Bücher) zum Erlernen von Mathematik für maschinelles Lernen zusammengestellt.
• Mathematik für maschinelles Lernen – Buch Ein großartiges Buch für alles, was mit Mathematik für maschinelles Lernen zu tun hat. (kostenloses E-Book)
• Ich empfehle Ihnen dringend, die folgenden Ressourcen von 3Blue1Brown durchzusehen
  • Essenz der linearen Algrbra ▶️
  • Essener der Infinitesimalrechnung ▶️
  • Differentialgleichungen ▶️
• Gilbert Strang: Lineare Algebra vs. Infinitesimalrechnung ▶️
• Grundlagen der Integralrechnung auf Tamilisch ▶️
• Neuer fast.ai-Kurs: Computational Linear Algebra
• Buch zur linearen Algebra

Python

• Python-Programmier-Tutorials von Socratica ▶️
• Python-Tutorial von w3schools?
• Python-Programmierung lernen?

Numpy

• Eine visuelle Einführung in NumPy und Datendarstellung
• CS231n: Python Numpy-Tutorial
• NumPy-Ressourcen: Teil der End-to-End-Bibliothek für maschinelles Lernen
• 100 Numpy-Übungen (mit Lösungen)
• 101 NumPy-Übungen zur Datenanalyse (Python)
• Numpy-Tutorial – Einführung in ndarray
• Sci-Py-Vorlesungen: NumPy: Erstellen und Bearbeiten numerischer Daten
• Python NumPy-Tutorial für Anfänger ▶️ Lernen Sie in diesem Tutorial für Anfänger die Grundlagen der NumPy-Bibliothek. Es bietet Hintergrundinformationen zur Funktionsweise von NumPy und zum Vergleich mit den integrierten Listen von Python. In diesem Video erfahren Sie, wie Sie Code mit NumPy schreiben. Es beginnt mit den Grundlagen der Array-Erstellung und geht dann auf fortgeschrittenere Dinge ein. Das Video behandelt das Erstellen von Arrays, Indizierung, Mathematik, Statistiken, Umformen und mehr.
• Python NumPy Tutorial – Lernen Sie NumPy-Arrays anhand von Beispielen
• Python Numpy Array-Tutorial
• NumPy-Tutorial: Datenanalyse mit Python
• Deep-Learning-Voraussetzungen: Der Numpy-Stack in Python ▶️

Pandas

• Eine sanfte visuelle Einführung in die Datenanalyse in Python mit Pandas
• Datenanalyse in Python mit Pandas von Data School ▶️
• Best Practices mit Pandas von Data School ▶️
• Python Pandas Tutorial: Eine vollständige Einführung für Anfänger

YouTube-Playlists für maschinelles Lernen

• CodeBasics: Tutorial zum maschinellen Lernen Python ▶️
• StatQuest: Maschinelles Lernen ▶️
• sentdex: Maschinelles Lernen mit Python ▶️
• Simplilearn: Tutorial-Videos zum maschinellen Lernen ▶️
• Tutorial zum maschinellen Lernen in Python ▶️
• deeplizard: Grundlagen des maschinellen Lernens und des Deep Learning ▶️

ML, DL Visuelle Erklärer

• MLU-EXPLAIN
• CNN-Erklärer

Hinweis: Nachfolgend finden Sie die besten Vorträge zu beliebten Algorithmen für maschinelles Lernen

Lineare Regression

• Lineare Regression: Eine freundliche Einführung von Luis Serrano ▶️
• Statistik 101: Lineare Regression, die Grundlagen ▶️
• Spielplatz für die Regressionslinienanpassung
• Spielplatz für die Regressionskurvenanpassung

Logistische Regression

• Lineare Regression vs. logistische Regression | Data Science-Schulung | Edureka ▶️
• Logistische Regression und der Perceptron-Algorithmus: Eine freundliche Einführung von Luis Serrano ▶️

Entscheidungsbaum

• StatQuest: Entscheidungsbäume ▶️
• StatQuest: Entscheidungsbäume, Teil 2 – Funktionsauswahl und fehlende Daten ▶️
• Entscheidungsbaum-Einführung mit Beispiel?
• Entscheidungsbaum?
• Python | Entscheidungsbaum-Regression mit sklearn?
• ML | Logistische Regression vs. Entscheidungsbaumklassifizierung?

Zufälliger Wald

• StatQuest: Random Forests Teil 1 – Aufbau, Nutzung und Bewertung ▶️
• StatQuest: Random Forests Teil 2: Fehlende Daten und Clustering ▶️
• Zufällige Wälder für absolute Anfänger?

Maschinelles Lernen fördern

• Tutorial zur Steigerung des maschinellen Lernens | Adaptives Boosting, Gradient Boosting, XGBoost | Edureka ▶️
• AdaBoost, klar erklärt ▶️
• Gradient Boost Teil 1: Hauptideen der Regression ▶️
• Gradient Boost Teil 2: Regressionsdetails ▶️
• Gradient Boost Teil 3: Klassifizierung ▶️
• Gradient Boost Teil 4: Klassifizierungsdetails ▶️
• XGBoost Teil 1: XGBoost-Bäume für die Regression ▶️
• XGBoost Teil 2: XGBoost-Bäume zur Klassifizierung ▶️
• Ensemble-Methoden Sci-Kit-Lernen

SVM

• Support Vector Machines (SVMs): Eine freundliche Einführung von Luis Serrano ▶️
• Support Vector Machines, klar erklärt!!! von StatQuest ▶️
• Support Vector Machines Teil 2: Der Polynomkernel von StatQuest ▶️
• Support Vector Machines Teil 3: Der Radial (RBF) Kernel von StatQuest ▶️
• Wie Support Vector Machines funktionieren / So öffnen Sie eine Black Box ▶️
• Support Vector Machines – Die Mathematik der Intelligenz (Woche 1) ▶️
• Support-Vektor-Maschinen entmystifizieren?
• Support Vector Machine (SVM) – Spaßiges und einfaches maschinelles Lernen ▶️

Bayes-Theorem

• Bayes-Theorem und Wahrscheinlichkeit intuitiv machen ▶️
• Eine freundliche Einführung in das Bayes-Theorem und die Hidden-Markov-Modelle ▶️
• Die Bayes'sche Falle ▶️
• Naive Bayes-Klassifikator: Ein freundlicher Ansatz ▶️

K-Nächste Nachbarn

• KNN von Grund auf neu?
• Grundlagen des maschinellen Lernens mit dem K-Nearest Neighbors-Algorithmus?

K-Mittel

• StatQuest: K-bedeutet Clustering ▶️
• Tutorial zum maschinellen Lernen Python – 13: K bedeutet Clustering ▶️
• K bedeutet Clustering-Algorithmus – K bedeutet Beispiel in Python – Algorithmen für maschinelles Lernen – Edureka ▶️

Hauptkomponentenanalyse (PCA)

• StatQuest: PCA-Hauptideen in nur 5 Minuten!!! ▶️
• StatQuest: Hauptkomponentenanalyse (PCA), Schritt für Schritt ▶️
• Hauptkomponentenanalyse (PCA) von Luis Serrano ▶️

Probabilistische grafische Modelle

• Spezialisierung auf probabilistische grafische Modelle

Gradientenabstieg von Grund auf

Der beste

• Lineare Regression mit Gradientenabstieg?
• Steigungsabstieg, Schritt für Schritt ▶️
• Stochastischer Gradientenabstieg, klar erklärt!!! ▶️
• Wie Optimierung funktioniert Eine kurze Serie über die Grundlagen der Optimierung für maschinelles Lernen
• Lineare Regression mit Gradientenabstieg
  • Code
• Polynomielle Regression
• Gradientenabstieg in der linearen Regression – Mathematik?
• Grundlagen der Backpropagation neuronaler Netze für Dummies ▶️

Besonders Gute

• 3.4: Lineare Regression mit Gradientenabstieg – Intelligenz und Lernen ▶️
• 3.5: Mathematik des Gradientenabstiegs – Intelligenz und Lernen ▶️
• 3.5a: Analysis: Potenzregel – Intelligenz und Lernen ▶️
• 3.5b: Analysis: Kettenregel – Intelligenz und Lernen ▶️
• 3.5c: Analysis: Partielle Ableitung – Intelligenz und Lernen ▶️

Verschwindender Farbverlauf

• Problem des verschwindenden Gradienten ▶️
• So überwinden Sie das Problem des verschwindenden Gradienten ▶️

Umgang mit lokalen Minima

• https://datascience.stackexchange.com/questions/24534/does-gradient-descent-always-converge-to-an-optimum
• https://datascience.stackexchange.com/questions/18802/does-mlp-always-find-local-minimum
• https://www.coursera.org/learn/deep-neural-network/lecture/RFANA/the-problem-of-local-optima

Scikit-lernen

• Eine Einführung in maschinelles Lernen mit scikit-learn?
• Python Machine Learning: Scikit-Learn-Tutorial

Tiefes Lernen

• DEEP BLUEBERRY BOOK Dies ist eine kleine und sehr gezielte Sammlung von Links zum Thema Deep Learning. Wenn Sie schon immer etwas über Deep Learning lernen wollten, aber nicht wissen, wo Sie anfangen sollen, sind Sie vielleicht an der richtigen Stelle gelandet!
• 6.S191: Einführung in Deep Learning (2019)
  • Vorlesungen (YouTube) – MIT 6.S191: Einführung in Deep Learning
  • Labor
• MIT 6.S191 Einführung in Deep Learning (2020)
• MIT 6.S191 Einführung in Deep Learning (2023) (YouTube)
• MIT Deep Learning-Grundlagen: Einführung und Überblick
• MIT Deep Learning von Lex Fridman
  • Deep-Learning-Vorlesungen (YouTube)
• Deep Learning auf Tamil

Deep-Learning-Bücher

• Das Deep-Learning-Lehrbuch von Ian Goodfellow, Yoshua Bengio und Aaron Courville
• Neuronale Netze und Deep Learning von Michael Nielsen
• Grokking Deep Learning von Andrew Trask

Deep-Learning-Papiere

• Roadmap zum Lesen von Deep-Learning-Papieren

NN

• Eine freundliche Einführung in Deep Learning und neuronale Netze ▶️
• Maschinelles Lernen für Anfänger: Eine Einführung in neuronale Netze? Eine einfache Erklärung, wie sie funktionieren und wie man sie von Grund auf in Python implementiert.
• Ein visueller und interaktiver Leitfaden zu den Grundlagen neuronaler Netze?
• Ein visueller und interaktiver Blick auf die grundlegende Mathematik neuronaler Netze?
• Neuronale Netzwerkarchitekturen ▶️
• Von Welch Labs entmystifizierte neuronale Netze ▶️
  • Unterstützender Code für die kurze YouTube-Serie Neural Networks Demystified.
• Serie „Neuronale Netze“ von 3Blue1Brows ▶️

Computer Vision

• CS131 Computer Vision: Grundlagen und Anwendungen Herbst 2019
• CS231A: Computer Vision, von der 3D-Rekonstruktion zur Erkennung Winter 2018
• CS231n Faltungs-Neuronale Netze für die visuelle Erkennung
• Computer-Vision-Notebooks

CNN

• CS231n: Faltungs-Neuronale Netze für die visuelle Erkennung, Frühjahr 2019
• CS231n: Faltungs-Neuronale Netze für die visuelle Erkennung
• Eine freundliche Einführung in Faltungs-Neuronale Netze und Bilderkennung
• Ein umfassender Leitfaden zu Faltungs-Neuronalen Netzen – auf die ELI5-Art
• Tensorflow Convolutional Neural Network (CNN)
• Buch über Faltungsnetzwerke
• CNNs, Teil 1: Eine Einführung in Faltungs-Neuronale Netze
• CS231n Winter 2016 VON Andrej Karpathy 15 Videos
• Intuitives Verständnis von 1D-, 2D- und 3D-Faltungen in Faltungs-Neuronalen Netzen
• CNN Explainer Ein interaktives Visualisierungssystem, das Laien beim Erlernen von Convolutional Neural Networks (CNNs) unterstützen soll.

Objekterkennung

Entwicklung von Objekterkennungsnetzwerken von Cogneethi

Ausführliches Tutorial zur Objekterkennung. Intuition-Vorlesungen zu Themen, die von klassischen CV-Techniken wie HOG, SIFT bis hin zu auf Convolutional Neural Networks basierenden Techniken wie Overfeat, Faster RCNN usw. reichen. Sie erfahren, wie sich die Ideen von einigen der frühesten Arbeiten zu aktuellen Veröffentlichungen entwickelt haben. Und daher der Name Evolution of Object Detection Networks.

• SIFT | Skalierungsinvariante Feature-Transformation
• Schweine-Intuition | Histogramm orientierter Farbverläufe
• NMS | Nicht maximale Unterdrückung
• Objektlokalisierung | Bounding-Box-Regression
• Objekterkennung
• RCNN
• Räumliches Pyramiden-Matching | SPM
• SPPNet-Objekterkennung
• Schnelles RCNN-Netzwerk
• Schnelleres RCNN
• Yolo v4 Objekterkennung – Wie es funktioniert und warum es so erstaunlich ist!
• Frameworks und Bibliotheken
  • Detectron2 von Facebook AI
  • MMDetection
  • MediaPipe
  • YOLO
  • TensorFlow-Objekterkennungs-API
  • Computer-Vision-Rezepte
• Beschriftungswerkzeuge
  • LabelImg
  • Roboflow
  • Etikettenstudio
• Codebeispiele
  • YOLO-Object-Counting-API

3D-Objekterkennung

• Ankündigung des Objectron-Datensatzes | Google AI-Blog
• MediaPipe Objectron | Objectron (3D-Objekterkennung)

Bildsegmentierung

• Computer Vision Tutorial: Eine Schritt-für-Schritt-Einführung in Bildsegmentierungstechniken (Teil 1)

GANs

• Eine freundliche Einführung in Generative Adversarial Networks (GANs) von Luis Serrano
• Generative Adversarial Networks (GANs) von Ahlad Kumar
• Aufbau unseres ersten einfachen GAN
• Gesichtsbearbeitung mit Generative Adversarial Networks
• Variationale Autoencoder
• Generative Adversarial Networks (GANs) in 50 Codezeilen (PyTorch)
• Generative Modelle

Stilübertragung

• TensorFlow CNN für schnelle Stilübertragung ⚡???

NLP

• CS224n: Verarbeitung natürlicher Sprache mit Deep Learning
• NLP und der Reformer
• Das illustrierte Word2vec

RNN

• Illustrierter Leitfaden zu wiederkehrenden neuronalen Netzen: Die Intuition verstehen
• Jeder kann lernen, ein LSTM-RNN in Python zu programmieren (Teil 1: RNN) In kleinen Schritten zu den ersten Erinnerungen Ihres neuronalen Netzwerks.
• Die unangemessene Wirksamkeit wiederkehrender neuronaler Netze
• Eine Einführung in rekurrente neuronale Netze für Anfänger. Eine einfache Anleitung, was RNNs sind, wie sie funktionieren und wie man ein RNN von Grund auf in Python erstellt.
• Aufmerksamkeit und erweiterte rekurrente neuronale Netze von Distill
• Visualisieren des Auswendiglernens in RNNs durch Destillieren. Die Untersuchung von Gradientengrößen im Kontext kann ein leistungsstarkes Werkzeug sein, um zu erkennen, wann wiederkehrende Einheiten kurzfristiges oder langfristiges Kontextverständnis nutzen.
• Deep Learning für NLP: ANNs, RNNs und LSTMs erklärt!

LSTM

• LSTM-Netzwerke verstehen
• LSTM-Implementierung erklärt
• Eine sanfte Einführung in LSTM-Autoencoder

Transformatoren und Selbstaufmerksamkeit

Visueller Leitfaden für Transformer Neural Networks (sehr empfehlenswert)

• Teil 1 – Positionseinbettungen
• Teil 2 – Mehrkopf- und Selbstaufmerksamkeit
• Teil 3 – Die maskierte Aufmerksamkeit des Decoders
• NLP Transformers Attention Playlist
• Der illustrierte Transformator
• Der kommentierte Transformator
• Transformers-Papier und Code
• Transformatoren von Grund auf
• Transformers-Notizen
• Transformers, erklärt: Verstehen Sie das Modell hinter GPT-3, BERT und T5
• Eine umfassende Übersicht über Transformer-Varianten.
• Wie man ein NLP- und Transformer-Model-Guru wird
• [MASTERCLASS] Transformers | Aufmerksamkeitsmodelle

BERT

• BERT einfach anhand von Skizzen erklären
• Eine visuelle Anleitung zur erstmaligen Verwendung von BERT
• Das illustrierte BERT, ELMo und Co. (Wie NLP das Transferlernen knackte)
• BERT erklärt: Modernstes Sprachmodell für NLP
• BioBERT, ein Sprachdarstellungsmodell für den biomedizinischen Bereich, das speziell für biomedizinische Text-Mining-Aufgaben wie die Erkennung benannter biomedizinischer Entitäten, die Extraktion von Beziehungen, die Beantwortung von Fragen usw. entwickelt wurde

GPT

• Das illustrierte GPT-2 (Visualisierung von Transformer-Sprachmodellen)

Verstärkungslernen

• Deep Reinforcement Learning-Kurs ?️ Ein kostenloser Kurs in Deep Reinforcement Learning vom Anfänger bis zum Experten.
• Implementierung von Reinforcement-Learning-Algorithmen. Python, OpenAI Gym, Tensorflow. Übungen und Lösungen zu Suttons Buch und David Silvers Kurs.
• Unity Machine Learning Agents-Toolkit
• Ich schreibe mein erstes Spiel zum maschinellen Lernen! (1/4)
• Deep Reinforcement Learning: Pong from Pixels von Andrej Karpathy
• Ein Leitfaden für Anfänger zum Deep Reinforcement Learning
• Eine Einführung in Unity ML-Agents
• Deep Reinforcement Learning-Algorithmen mit PyTorch
• VORTRÄGE: Einführung in Reinforcement Learning – David Silver
• BUCH: Reinforcement Learning – Eine Einführung von Sutton und Barto
• BUCH: Deep Reinforcement Learning Hands On von Maxim Lapan

PyTorch

• Udacity: Deep Learning mit PyTorch
• Deep Learning (PyTorch): Code
• Udacity: Sichere KI
• FACKELSCHRIFT
• PyTorchZeroToAll (auf Englisch) Sung Kim eine Serie von 14 Videos
  • Unterstützender Code
  • Folien

TensorFlow

• Einführung in TensorFlow 2.0: Einfacher für Anfänger und leistungsfähiger für Experten (TF World '19)
• TensorFlow Lite: Lösung zum Ausführen von ML auf dem Gerät (TF World '19)
• Maschinelles Lernen in JavaScript (TensorFlow Dev Summit 2018)
• TensorFlow.js Schnellstart
• Keras vs. tf.keras: Was ist der Unterschied in TensorFlow 2.0?
• So führen Sie TensorFlow Lite auf Raspberry Pi zur Objekterkennung aus
• Wie Computer lernen, Objekte sofort zu erkennen | Joseph Redmon

TensorFlow-Kurse

• Einführung in TensorFlow für Deep Learning
• TensorFlow in der Praxis Spezialisierung: Coursera
• TensorFlow: Daten- und Bereitstellungsspezialisierung: Coursera

PyTorch vs. TensorFlow

• Warum erfreut sich PyTorch bei Ingenieuren des maschinellen Lernens so großer Beliebtheit?

Transferlernen

• Transferlernen mit Keras und Deep Learning
• Ein umfassender praktischer Leitfaden zum Transferlernen mit realen Anwendungen im Deep Learning
• TensorFlow Core-Tutorials

Modelle bereitstellen

• Maschinelles Lernen in 5 Minuten: So stellen Sie ein ML-Modell bereit (SurveyMonkey Engineer erklärt)
• Stellen Sie Modelle für maschinelles Lernen mit Django bereit
• MlFlow – Eine Open-Source-Plattform für den Lebenszyklus des maschinellen Lernens
• TensorFlow: Spezialisierung auf Daten und Bereitstellung

MlOps

• MLOps Primer – 2021 Eine Sammlung von Ressourcen zum Erlernen von MLOps.

Code

• Codebasics/py
• Google Codelabs

Spickzettel

• Künstliche Intelligenz
• Maschinelles Lernen
• Tiefes Lernen
• Tipps und Tricks zum maschinellen Lernen
• Data-Science-Tools
• Maschinelles Lernen mit R
• CHRIS ALBON Spickzettel und Lernkarten
• MLOps Tooling Landscape v2 (+84 neue Tools) – 20. Dezember
• Mathematische Werkzeuge
• Gewöhnliche Differentialgleichungen für Ingenieure

Edge ML-Kits

• Nvidia Jetson Nano-Entwicklerkit
• Intel® Neural Compute Stick 2 (Intel® NCS2)
• Koralle

Data-Science-Wettbewerbe

• Kaggle

Wichtiges Youtube? Kanäle im Bereich AI/ML/RL/DS

• 3Blau1Braun
• StatQuest mit Josh Starmer
• Sentdex
• Luis Serrano
• Brandon Rohrer
• Tiefechse
• Technik mit Tim
• Microsoft-Forschung
• Corey Schafer
• Datenschule
• Zwei-Minuten-Aufträge
• Welch Labs
• Einfach lernen
• Tolles Lernen
• DeepLearning.TV
• TensorFlow
• Deeplearning.ai
• Code-Kugel
• edureka!
• Lex Fridman
• Der Kanal für künstliche Intelligenz
• freeCodeCamp.org
• CloudxLab
• Alexander Amini
• Jeff Heaton
• Abhishek Thakur
• Der Codierungszug

Referenz

• So starten Sie mit maschinellem Lernen!
• Mein selbst erstellter Masterstudiengang für künstliche Intelligenz
• https://end-to-end-machine-learning.teachable.com/courses/667372/lectures/11900568
• ML-Grundlagen von StatQuest
• Maschinelles Lernen mit Python von sentdex
• 5 anfängerfreundliche Schritte zum Erlernen von maschinellem Lernen und Datenwissenschaft mit Python – Daniel Bourke
• Datenschule
• Neuronale Netze und Deep Learning
• https://www.machinelearningisfun.com/
• https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471
• https://medium.com/greyatom
• https://greyatom.com/glabs
• John Searle: „Bewusstsein in der künstlichen Intelligenz“ | Vorträge bei Google
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning/tree/master/week3-classification-regression
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning