In diesem Kurs werden Sie:
a) Lernen Sie die neuronale Stilübertragung mit Hilfe des Transfer-Lernens: Extrahieren Sie den Inhalt eines Bildes (z.B. Schwan) und den Stil eines Gemäldes (z.B. kubistisch oder impressionistisch) und kombinieren Sie den Inhalt und den Stil zu einem neuen Bild. b) Erstellen Sie einfache AutoEncoder auf dem bekannten MNIST-Datensatz und komplexere Deep- und Convolutional-Architekturen auf dem Fashion-MNIST-Datensatz. Verstehen Sie den Unterschied zwischen den Ergebnissen der DNN- und CNN-AutoEncoder-Modelle, identifizieren Sie Möglichkeiten, verrauschte Bilder zu entrauschen, und erstellen Sie einen CNN-AutoEncoder mit TensorFlow, um aus einem verrauschten Bild ein sauberes Bild zu erzeugen. c) Erforschen Sie Variational AutoEncoders (VAEs), um völlig neue Daten zu erzeugen, und erzeugen Sie Anime-Gesichter, um sie mit Referenzbildern zu vergleichen. d) Lernen Sie GANs kennen: ihre Erfindung, ihre Eigenschaften, ihre Architektur und wie sie sich von VAEs unterscheiden. Verstehen Sie die Funktion des Generators und des Diskriminators innerhalb des Modells, das Konzept der 2 Trainingsphasen und die Rolle des eingebrachten Rauschens und bauen Sie Ihr eigenes GAN, das Gesichter generieren kann. Die DeepLearning.AI TensorFlow: Advanced Techniques Specialization führt in die Funktionen von TensorFlow ein, die Lernenden mehr Kontrolle über ihre Modellarchitektur bieten, und gibt ihnen die Werkzeuge, um fortgeschrittene ML-Modelle zu erstellen und zu trainieren. Diese Specialization richtet sich an Software- und Machine-Learning-Ingenieure, die über ein grundlegendes Verständnis von TensorFlow verfügen und ihre Kenntnisse und Fähigkeiten durch das Erlernen fortgeschrittener TensorFlow-Funktionen zur Erstellung leistungsstarker Modelle erweitern möchten.