Noch nie war es einfacher als heute, um in die Themen künstliche Intelligenz und Machine Learning einzusteigen. Es gibt Online eine schier endlose Anzahl an Möglichkeiten, um einen Einstieg in die Thematik zu schaffen. Auch wir haben uns mit dem Thema Machine Learning nicht während des Studiums an der Hochschule befasst, sondern sind über Online verfügbare Materialien in diesen Bereich vorgedrungen. Gleichzeitig weiß man bei der großen Anzahl an zur Verfügung stehenden Möglichkeiten gar nicht wo man anfangen soll – zumindest ging es uns so. Sollte man mit Videos bei Youtube starten? Oder sich das Wissen über das Lesen eines Blogs wie diesem hier aneignen? Oder klassisch doch über ein Buch? Oder vielleicht mit einem der „relativ“ neuen Massive Open Online Courses (MOOC) starten?

In diesem Artikel stellen wir verschiedene Möglichkeiten vor, um den Einstieg in das Thema Machine Learning zu schaffen. Wir finden, dass eine Mischung aus Videos/ MOOC und Buch die beste Möglichkeit ist zu starten. Gleichzeitig ist es wichtig auf die Qualität der Inhalte zu achten, deswegen stellen wir hier Materialien vor, die von Experten auf diesem Gebiet erstellt wurden. Wir sind in die Thematik mit einem MOOC gestartet und haben bei tiefergehenden Fragen in Büchern nachgeschlagen. Der Vorteil eines MOOC ist, dass neben Videos auch direkt das Programmieren erlernt wird. Das heißt, dass das erlernte Wissen direkt in praktischen Anwendungsfällen gefestigt wird, denn Machine Learning macht erst richtig Spaß, wenn es auch angewandt wird. Im Folgenden stellen wir zunächst verschiedene Kurse vor, in weiteren Artikeln dann Bücher, die Inhalte für Machine Learning bereitstellen.

Spezialisierung Deep Learning, DeepLearning.ai, Link zum Kurs

Die “Spezialisierung Deep Learning” kann über die Online Plattform Coursera durchgeführt werden. Die Spezialisierung besteht aus fünf Kursen, die aufeinander aufbauen, aber auch unabhängig voneinander besucht werden können und ermöglicht einen sehr guten Einstieg in die Thematik der künstlichen neuronalen Netze und damit des Deep Learning. Im ersten Kurs werden die Grundlagen künstlicher neuronaler Netze beschrieben. Der zweite Kurs befasst sich mit den Themen Hyperparameter Tuning und wie neuronale Netze reguliert und optimiert werden können. Im dritten Kurs werden Themen behandelt, die sich mit dem Umgang von Machine Learning Projekten befassen, also wie diese am besten aufgesetzt werden können. Kurs vier und fünf geben einen Einblick in spezielle Themen von neuronalen Netzen: Die Bildverarbeitung (Kurs vier) und Sprachverarbeitung (Kurs fünf). In jedem Kurs gibt es verschiedene Programmierübungen, mit denen das erlernte Wissen direkt angewandt wird. Der Kurs wurde von Andrew Ng erstellt, einem ehemaligen Professor von Stanford und Gründer von deeplearning.ai.

Vorteile:

• Kein Vorwissen über Deep Learning und Programmierung notwendig, nur Mathekenntnisse aus der Schule
• Theoretisches Wissen in Form von Videos in Kombination mit Quizzes und Programmierübungen zum Anwenden des Erlernten
• Umgang mit der Machine Learning Programmiersprache Python wird erlernt
• Zertifikat nach jedem Kurs und der gesamten Spezialisierung für den Lebenslauf und LinkedIn
• Großteil der Videos auch bei YouTube: Link zu den Videos

Nachteile:

• Kosten: 40 € pro Monat, jedoch flexibel kündbar

Practical Deep Learning for Coders, fast.ai, Link zum Kurs

Der zweite online Kurs, den wir empfehlen heißt „Practical Deep Learning for Coders“. Dieser Kurs wurde von Jeremy Howard und Sylvain Gugger erstellt. Jeremy Howard war einer der Mitgründer von fast.ai, die es sich zum Ziel gemacht haben Deep Learning allen Menschen zugänglich zu machen. Sylvain Gugger arbeitet momentan bei Hugging Face, der am stärksten wachsenden, und von uns ebenfalls verwendeten, Bibliothek für den Bereich des Natural Language Processing. Wie der Titel schon verrät ist der Kurs vor allem für Personen gedacht, die schon Erfahrung mit der Programmiersprache Python haben. In der Beschreibung des Kurses wird als Voraussetzung von einem Jahr Programmiererfahrung gesprochen. Dieser Kurs setzt sich ebenfalls aus einer Mischung aus Videos und Programmierübungen zusammen. Die Videos erläutern ebenfalls die grundlegenden Konzepte künstlicher neuronaler Netze, jedoch auf einer Ebene, die etwas angewandter ist. Im Gegensatz zu der Spezialisierung Deep Learning von deeplearning.ai, wird direkt mit einer high level Machine Learning Bibliothek gearbeitet: PyTorch. Diese ist neben TensorFlow die Bibliothek, die momentan am häufigsten für die Implementierung künstlicher neuronaler Netze verwendet wird. In dem Kurs wird neben dem Training künstlicher neuronaler Netze ebenfalls erläutert wie diese in echten Applikationen eingesetzt und bereitgestellt werden können.

Vorteile:

• Keine tiefergehenden Mathekenntnisse erforderlich, nur aus der Schulzeit
• Praktische Implementierung neuronaler Netze mit der populären Bibliothek PyTorch
• Keine Gebühren werden fällig
• Gebiete wie bspw. Natural Language Processing werden behandelt, ebenso wie ethische Aspekte

Nachteile:

• Keine Ausstellung eines Zertifikates
• Weniger Grundlagenwissen zu Deep Learning, sondern direkter praktischer Einstieg in die Thematik

Maschinelles Lernen, Stanford, Link zum Kurs

Dieser Kurs wird von der Universität Stanford auf Coursera angeboten. Der Dozent ist genau wie in der „Spezialisierung Deep Learning“ Andrew Ng. In diesem Kurs werden die Grundlagen des maschinellen Lernens erläutert. Dies bedeutet, dass sich nicht auf den Bereich des Deep Learning fokussiert wird, sondern auch auf andere Machine Learning Algorithmen eingegangen wird. Der Kurs lässt sich grob in zwei Teile gliedern: Im ersten Teil werden die Konzepte des Supervised, im zweiten der Bereich des Unsupervised Learning erläutert. Hierbei wird auf die Algorithmen lineare und logistische Regression, neuronale Netze, Support Vector Machines (Supervised) und K-Means Clustering (Unsupervised) eingegangen. Danach werden noch verschiedene Anwendungsfälle für den Bereich des Machine Learning beschrieben. Dieser Kurs setzt sich aus Videos, Quizzes und Programmieraufgaben zusammen. Als Programmiersprache wird hier Octave/ MATLAB verwendet, also kein Python.

Vorteile:

• Kein Vorwissen über Machine Learning und Programmierung notwendig, nur Mathekenntnisse aus der Schule
• Theoretisches Wissen in Form von Videos in Kombination mit Quizzes und Programmierübungen zum Anwenden des Erlernten
• Zertifikat für den Lebenslauf und LinkedIn

Nachteile:

• Kurs kostet einmalig 65 €
• Kurs ist etwas älter, und das Verwenden von Octave/MATLAB ist etwas unpraktisch, da momentan Python als Sprache für Machine Learning favorisiert wird

Machine Learning Crash Course, Google, Link zum Kurs

Der “Machine Learning Crash Course” von Google bietet ebenfalls einen Einstieg in die Thematik des Deep Learning. In diesem geführten Kurs werden ebenfalls Videos, Quizzes und Programmierübungen verwendet, um die Thematik künstlicher neuronaler Netze zu erläutern. Gestartet wird mit linearer Regression und die weiteren Konzepte werden Schritt für Schritt eingeführt. Als Programmiersprache wird hier Python verwendet und direkt mit der Machine Learning Bibliothek von Google gestartet: TensorFlow. Neben PyTorch, von Facebook, ist TensorFlow die am häufigsten verwendete Bibliothek im Bereich des Deep Learning. Die Videos werden von Mitarbeitern von Google präsentiert, also auch von Experten aus dem Bereich des maschinellen Lernens.

Vorteile:

• Kein Vorwissen über Machine Learning und Programmierung notwendig, nur Mathekenntnisse aus der Schule
• Theoretisches Wissen in Form von Videos in Kombination mit Quizzes und Programmierübungen zum Anwenden des Erlernten
• Praktische Implementierung neuronaler Netze mit der populären Bibliothek TensorFlow
• Keine Gebühren werden fällig

Nachteile:

• Keine Ausstellung eines Zertifikates
• Weniger Grundlagenwissen zu Deep Learning, sondern direkter praktischer Einstieg in die Thematik

Fazit

In diesem Artikel haben wir vier online Kurse vorgestellt, mit denen man sehr gut starten kann, um sich Wissen aus dem Bereich des Machine und insbesondere Deep Learning anzueignen. Die Vor- und Nachteile spiegeln hierbei unsere eigene Meinung wieder und können von anderen natürlich anders gesehen werden. Wir erachten es bspw. als sinnvoll, die Funktionsweise neuronaler Netze etwas tiefer zu betrachten, um später besser nachvollziehen zu können, was während des Trainings passiert. Deswegen finden wir es auch gut, wenn zunächst nicht direkt mit einer Bibliothek wie TensorFlow oder PyTorch gestartet wird, sondern neuronale Netze mit einfacheren Bibliotheken wie numpy selber programmiert werden. Dies lässt uns die Funktionsweise neuronaler Netze besser nachvollziehen. Auch wenn wir heute natürlich „high level“ Bibliotheken wie TensorFlow, PyTorch oder HuggingFace verwenden, um unsere Netze zu implementieren, ist es am Anfang für das Verständnis hilfreich, dies von Hand zu programmieren. Aus diesem Grund ist unser Favorit der vier Kurse die „Spezialisierung Deep Learning“ von deeplearning.ai, da hier tiefer auf die Theorie eingegangen wird, aber so dass jeder es versteht und diese Theorie mit der Implementierung neuronaler Netze „von Hand“ kombiniert wird. Im letzten Kurs wird hier dann zudem die Biblitohek TensorFlow eingeführt. Nichtsdestotrotz erachten wir alle vier Kurse als sehr guten Einstieg in den Bereich des Deep Learning!

‍

‍