Posted by the TensorFlow Team

When the TensorFlow YouTube channel launched in 2018, we had a vision to inform and inspire developers around the world about what was possible with Machine Learning. With series like Coding TensorFlow showing how you can use it, and Made with TensorFlow showing inspirational stories about what people have done with TensorFlow and much more, the channel has grown greatly. But we learned an important lesson: it’s a global phenomenon, and to reach the world effectively, we should provide some of our best content in multiple languages with native speakers presenting. Check out the popular Zero to Hero series in German!

Maschinelles Lernen mit TensorFlow: Zero to Hero

Heutzutage kann man weder einen Browser noch eine Zeitung oder Buch öffnen, ohne etwas über Maschinelles Lernen (ML) oder Künstliche Intelligenz (KI) zu lesen. Es gibt viele Informationen sowie viel Hype zu diesen beiden Themen. Vor diesem Hintergrund wollte Laurence Moroney vom TensorFlow-Team eine, aus der Entwicklerperspektive, vierteilige Videoserie produzieren, die erläutert was maschinelles Lernen eigentlich ist. Sie basiert auf seinem beliebten Vortrag von Google IO 2019 mit dem gleichnamigen Titel "Machine Learning: From Zero to Hero with TensorFlow".


In Video 1 erfahren Sie, dass maschinelles Lernen ein neues Paradigma in der Programmierung darstellt. Statt explizite Regeln in einer Sprache wie Java oder C ++ zu programmieren, erstellen Sie ein System, das mit Daten trainiert wird, um die Regeln selbst abzuleiten. Aber wie sieht ML eigentlich aus? Hier wird ein grundlegendes Hello World-Beispiel für die Erstellung eines ML-Modells vorgestellt, in dem Ideen vorgestellt werden, die wir in späteren Folgen auf ein interessanteres Problem anwenden werden: Computer Vision.


In Video 2 lernen Sie die grundlegenden Zusammenhänge wie man mit ML einem Computer das Sehen und Erkennen von verschiedenen Objekten beibringt. https://goo.gle/34cHkDk


In Video 3 sprechen wir über Konvolutionale Neuronale Netzwerke und warum sie in Computer-Vision-Szenarien so leistungsstark sind. Eine Konvolution ist ein Filter, der über ein Bild geht, es verarbeitet und Merkmale extrahiert, die eine Gemeinsamkeit im Bild aufweisen. In diesem Video sehen Sie, wie diese Netzwerke funktionieren, indem Sie ein Bild bearbeiten und versuchen werden Merkmale zu extrahieren! Sie können dazu auch ein Codelab ausprobieren: http://bit.ly/2lGoC5f


In Video 4 sehen Sie, wie man einen Bildklassifikator für Schere, Stein, Papier erstellt. Im ersten Video haben wir ein Szenario aus Schere, Stein, Papier gezeigt und erläutert, wie schwierig es sein könnte den entsprechenden Code, zur Klassifizierung der Szenarien, zu schreiben.

In den darauffolgenden ML Videos haben wir gelernt, wie man neuronale Netze von der Erkennung von Mustern in Rohpixeln über deren Klassifizierung bis hin zur Erkennung von Merkmalen mithilfe von Faltungen aufbaut. In diesem Video haben wir alle Informationen aus den ersten drei Teilen der Videoserie zu einer zusammengefasst. Colab-Notizbuch: http://bit.ly/2lXXdw5. Rock, Papier, Schere-Datensatz: http://bit.ly/2kbV92O

Wir wünschen Ihnen viel Spaß mit dieser Videoserie und bitte lassen Sie uns wissen, wenn Sie mehr sehen möchten!