Begleitmaterial zum Online Kurs "Künstliche Intelligenz und Maschinelles Lernen in der Praxis" von Christian Warmuth und Johannes Hötter.
Link zum Kurs: https://open.hpi.de/courses/kipraxis2021"
Link zum Vorgängerkurs: https://open.hpi.de/courses/kieinstieg2020
Alle reden über “Maschinelles Lernen”, "Neuronale Netze", "Künstliche Intelligenz" und "Deep Learning - doch wie diese Techniken genau in der Praxis funktionieren und eingesetzt werden, erfahren Sie in diesem weiterführenden openHPI Kurs.
In diesem vierwöchigen Gratis-Kurs können Jugendliche und andere Interessierte ohne Programmier-Erfahrung und technisches Hintergrundwissen lernen, wie Machine Learning Projekte in der Praxis umgesetzt werden können. Wir wollen dabei das Basiswissen aus dem Kurs “Künstliche Intelligenz und Maschinelles Lernen für Einsteiger” weiter vertiefen und Ihnen ein Gefühl für die Chancen und Herausforderungen von Machine Learning Projekten in der Praxis vermitteln. Dafür betrachten wir mehrere konkrete Anwendungsfälle - unter anderem die Erkennung von Gebärdensprache aus Bildern und die Stimmungsanalyse von Zeitungsartikeln. Geleitet wird der Kurs von den Masterstudenten Johannes Hötter und Christian Warmuth.
Dieses Repository beinhaltet die Begleit-Materialien zum Online-Kurs auf openHPI in Form von Jupyter Notebooks und Google Colab Notebooks.
Nur notwendig bei lokaler Ausführung der Notebooks - siehe Hinweis weiter unten. Vorraussetzung unter anderem die Installation von Python. Für die Ausführung der Notebooks ohne Setup-Aufwand, können Sie diese als Google Colab ausführen (siehe unten).
- Klone das Repo
git clone https://github.com/christianwarmuth/openhpi-kipraxis cd openhpi-kipraxis - Installiere Packages
pip install -r requirements.txt
- (optional) Installiere seperaten Kernel
python3 -m ipykernel install --name ki-praxis
Für alle Notebooks gilt: Will man diese ausführen, so öffnet man die Notebooks in GitHub direkt (per Click auf den Namen). Im Notebook erscheint oben ein Button "Open in Colab", den man klicken muss.
Man kann die im Github befindlichen Notebooks auch lokal ausführen. Hierfür folgen Sie bitte dem Installationsskript. Hinweise zur Ausführung von Jupyter Notebooks/Jupyter Lab findet sich hier.
Hinweise zu Woche 2, 3 und 4:
Für Woche 1 können wir die Daten direkt hier im Repository zur Verfügung stellen bzw. direkt beziehen. Für Woche 2, 3 und Woche 4 haben wir Datensätze von Kaggle verwendet und dürfen diese leider nicht selbst zur Verfügung stellen. Hierzu muss man sich zuerst bei Kaggle einen Account anlegen und anschließend den eigenen Username und Token herausfinden. Siehe https://www.kaggle.com/docs/api oder https://github.com/Kaggle/kaggle-api. Gibt man diesen Username und Token dann am Anfang des Google Colab Notebooks an, so kann man auch diesen Code ausführen.
Hinweis zu Exkurs Reinforcement Learning in Woche 1: Die gezeigten Inhalte im Exkurs Reinforcement Learning kann man leider nicht in Google Colab ausführen, da man hierfür eine OpenAI Gym Environment benötigt, die lokal installiert werden muss.
Folge den Installationsskripten von https://github.com/Kautenja/gym-super-mario-bros und https://github.com/Kautenja/nes-py um den Exkurs lokal ausführen zu können.
Hinweise zur Woche 4 - Einheit "4.4.2 Grundlagen der Datenbeschaffung":
Die Einheit 4.4.2 Grundlagen der Datenbeschaffung kann nicht als Google-Colab zur Verfügung gestellt werden, da die Daten über ein lokal geöffnetes Google Chrome Browser-Fenster abgefragt werden. Hierfür ist die Installation eines Chrome-Drivers notwendig. Diesen findet man auf der folgenden Website. Die Datei muss als chromedriver in den Ordner "Woche 4" abgelegt werden. Da hier jeweils verschiedene Driver notwendig sind (je nach Betriebssystem unterschiedlich), können wir das leider nicht anders zur Verfügung stellen.
Woche 1:
- Hauspreisvorhersage: ursprünglich aus dem buchbegleitenden Repository von Aurélien Géron, leicht angepasst
- Exkurs Reinforcement Learning: Basiert auf MadMario und einem Pytorch Tutorial. Super Mario Bros. Environment für OpenAI Gym
Woche 2:
- Recommender Systems 2: Model von Morrisb