F2 Jupyter Notebook: FNNs und Overfitting

Im Jupyter Notebook zum Thema „F2 Jupyter Notebook: FNNs und Overfitting“ geht es darum, mit einem einfachen Feed Forward Netzwerk Objekte in Bildern zu klassifizieren, es geht also um Bilderkennung. Das Notebook baut auf das Notebook „F1 Jupyter Notebook: Predictive Maintenance“ auf. Das vorliegende Projekt ist dazu gedacht, grundlegende Techniken beim Training von Deep-Learning-Modellen zu erklären. Es werden exemplarisch sehr einfache Fotos von Kleidungsstücken klassifiziert. Zum Training des FNNs wird die Bibliothek Keras als nutzerfreundliches Interface zur Deep-Learning-Bibliothek Tensorflow verwendet. Typischerweise werden zur Bildklassifikation nicht FNNs, sondern CNNs verwendet. Das Notebook „F3 Jupyter Notebook: Bilderkennung mit CNNs“ wird später CNNs zur Bilderkennung auf denselben Daten einführen. Das Notebook setzt Programmierkenntnisse voraus. Das Notebook enthält bereits alle nötigen Python-Befehle samt umfassenden Erklärungen dazu. Die Lernenden können die Befehle darin selbst ausführen und anschließend auch damit experimentieren, z. B., indem sie sie verändern. Es wird eine Python-Installation sowie eine Entwicklungsumgebung (z. B. Jupyter Lab, oder auch Visual Studio Code) benötigt, in der das Notebook editiert werden kann. Falls dies nicht gegeben ist, gibt es die Möglichkeit, das Notebook auf der Google-Plattform https://colab.research.google.com hochzuladen und dort zu bearbeiten, dafür wird allerdings ein Google-Account benötigt. Dieses Jupyter Notebook ist optionales Lehrmaterial für die Zusatzqualifikation KI und Maschinelles Lernen sowie Teil des Lehrmaterials für die Fortbildung zum/zur Berufsspezialist/in KI und Maschinelles Lernen. Die Entwicklung und Erprobung dieses Bildungsangebotes wurde vom Bundesministerium für Bildung und Forschung im Rahmen des InnoVET-Programms gefördert. Mehr Informationen zu diesem Projekt gibt es unter https://www.ki-fortbildung.de. Das Notebook gehört zum Bereich F, Datenanalyse und Modelltraining.