F3 Jupyter Notebook: Bilderkennung mit CNNs

Im Jupyter Notebook zum Thema „F3 Jupyter Notebook: Bilderkennung mit CNNs“ geht es darum, Objekte in Bildern zu klassifizieren, oder in anderen Worten: Objekte in Bildern zu erkennen. Für Bilderkennung werden typischerweise Convolutional Neural Networks (CNNs) mit zweidimensionalen Filterkernen (2D-Filterkerne) verwendet. Dieses Projekt erweitert das Notebook „F1 Jupyter Notebook: Predictive Maintenance“ zu CNNs um 2D-Filterkerne. Das Vorgehen wird exemplarisch für Fotos von Kleidungsstücken illustriert, die auch im Notebook „F2 Jupyter Notebook: FNNs und Overfitting“ genutzt wurden. Zum Training des CNNs wird auch dieses Mal die Bibliothek Keras als nutzerfreundliches Interface zur Deep-Learning-Bibliothek Tensorflow verwendet. 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.