Auf der Mustererkennung aufbauend stellen wir in diesem Kurs mit den Convolutional Neural Networks oder Faltungsnetzwerken eine Erweiterung neuronaler Netze vor, um Klassifikationsaufgaben zur Erkennung von Objekten in Bildern oder Zeichnungen zuverlässiger lösen zu können. Die Eingangsdaten werden (ausschließlich) als Bilder angesehen und einer gewissen Vorverarbeitung unterzogen. Es können dadurch markante Strukturen der Bilder hervorgehoben werden, um anschließend die Klassifikationsaufgabe zuverlässiger lösen zu können.
Wir werden das Vorgehen wie gewohnt möglichst einfach und anschaulich vorstellen. Dennoch handelt es sich bei dem Verfahren um eine Technik, die bereits sehr weit entwickelt wurde und in realen Anwendungen zum Einsatz kommt. So lassen sich beispielsweise Personen oder Verkehrszeichen recht zuverlässig erkennen. Neben der Verarbeitung von Bild- und Videomaterial lassen sich Faltungsnetzwerke insbesondere auch für Audiodaten einsetzen.
Die Inhalte des vorliegenden Kurses sind teilweise den folgenden Quellen entnommen, welche auch zur Vertiefung dienen können:
- C.C. Aggarwal. 2018. Neural Networks and Deep Learning: A Textbook. Springer International Publishing, Basel, 1. Auflage.
- C.M. Bishop. 1995. Neural Networks for Pattern Recognition. Oxford University Press, Oxford, 1. Auflage.
- A. Dertat. 2017. Applied Deep Learning - Part 4: Convolutional Neural Networks. Published on Towards Data Science.
- Y. LeCun, C. Cortes und C.J.C. Burges. 2010. MNIST handwritten digit database. AT&T Labs Research.
- M.A. Nielsen. 2015. Neural Networks and Deep Learning. Determination Press, Version vom 12. Dezember 2016.
- S. Raschka und V. Mirjalili. 2017. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. Packt Publishing, 2. Auflage.