Materialien

Sammlung weiterer Materialien zu den Themen des Moduls.

Literatur

  • Géron, Aurélien (2022): Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly Media, Inc..
  • Frochte, Jörg (2020): Maschinelles Lernen: Grundlagen und Algorithmen in Python, Carl Hanser Verlag GmbH Co KG.
  • LeCun, Yann and Bengio, Yoshua and Hinton, Geoffrey (2015): Deep learning, Nature Publishing Group UK London.
  • Alammar, Jay and Grootendorst, Maarten (2024): Hands-on large language models: language understanding and generation, O’Reilly Media, Inc..
  • Situnayake, Daniel and Plunkett, Jenny (2023): AI at the Edge, O’Reilly Media, Inc..
  • Russell, Stuart Jonathan and Norvig, Peter (2012): K{"u}nstliche Intelligenz: Ein moderner Ansatz, Pearson Deutschland GmbH.

MOOCs

Massive Open Online Courses.

  • Deep Learning Specialization — Die Deep-Learning-Spezialisierung auf Coursera, angeboten von Andrew Ng und DeepLearning.AI, vermittelt in einem fünfkursigen Programm fortgeschritt
  • DeepLearning.AI
  • DataCamp — DataCamp ist eine Plattform, die Online-Kurse in Data Science, Künstlicher Intelligenz und verwandten Themen wie Python, R, SQL sowie Data Engineering und Data Analysis anbietet.
  • edX — edX ist eine Online-Bildungsplattform, die Kurse, Zertifikate und Abschlüsse führender Universitäten zu Themen wie Künstliche Intelligenz, Nachhaltigkeit und Wirtschaft bietet und aktuell bis zum 21. April 2026 einen 10%-Rabatt mit dem Code FRESH2026 für eine neue Lernrunde anbietet.

Webseiten

Tools

  • TensorFlow — TensorFlow ist eine umfassende, end-to-end-Plattform für maschinelles Lernen, die umfangreiche Ressourcen zur Modellentwicklung, Libraries wie TensorFlow.js und TensorFlow Lite, sowie Tutorials, API-Dokumentationen und Community-Unterstützung bietet.
  • PyTorch — Die offizielle Webseite von PyTorch, einem Open-Source-Maschinenlern-Framework, bietet umfassende Lernressourcen, Community-Unterstützung, Projektinformationen, Dokumentation, Blog-Updates zu Konferenzen und Technologieentwicklungen sowie Einblicke in aktuelle Forschungsarbeiten und Veranstaltungen wie die PyTorch Conference.
  • Scikit-Learn — Die Webseite stellt die Dokumentation für die Python-Bibliothek scikit-learn (Version 0.16.1) bereit, die maschinelles Lernen in Python ermöglicht.
  • Jupyter — Jupyter.org stellt eine Open-Source-Plattform mit Web-basierten Tools wie JupyterLab und Jupyter Notebook bereit, die interaktive Programmierung, Datenanalyse und wissenschaftliche Rechnung in über 40 Programmiersprachen ermöglichen.
  • Anaconda — Anaconda bietet eine offene Plattform für die Entwicklung und Bereitstellung von KI-Lösungen mit Python-Paketverwaltung, sicheren Entwicklungs- und Collaboration-Tools sowie Governance-Funktionen für Unternehmen.
  • FlowiseAI — Flowise ist eine open-source-Plattform zur visuellen Entwicklung von KI-Agenten mit modularen Bausteinen, die sowohl Cloud- als auch On-Premises-Bereitstellungen unterstützen und von Teams weltweit genutzt werden.
  • n8n — n8n ist eine Workflow-Automatisierungsplattform mit KI-Funktionen, die Geschäftsprozesse durch über 8500 Vorlagen, 500+ Integrationen und die Möglichkeit der visuellen
  • Ollama — Ollama ist eine Plattform für die einfache Bereitstellung und Skalierung von Open-Source-KI-Modellen mit Cloud-Unterstützung, verschiedenen Abonnements und Fokus auf Datenprivatsphäre.
  • Google Gemini — Die Webseite ai.google.dev stellt Entwicklern Zugang zu KI-Modellen wie Gemini, Imagen und Veo, Open-Source-Modellen wie Gemma sowie Dokumentationen, API-Referenzen und Tools für die Anwendungsentwicklung bereit.
  • Kaggle — Kaggle ist eine Plattform für Data Science und künstliche Intelligenz
  • ElevenLabs
  • NN-SVG — Die Webseite NN-SVG bietet die Erstellung und Download von SVG-basierten, publikationsbereiten Schemata neuronaler Netzwerkarchitekturen mit anpassbaren Stilen (z. B. FCNN, LeNet, AlexNet) und detaillierten Einstellungen für Kantenbreite, Farbe, Transparenz, Knotendurchmesser, Farben und Layoutrichtung.
  • Netron — Netron ist ein Online-Tool zur Visualisierung und Analyse von maschinellem Lernen, das Modelle wie ONNX oder TensorFlow öffnen, Funktionen wie “add” oder “multiply” darstellen und von Lutz Roeder entwickelt wurde.

© 2026 Technische Hochschule Köln - WPF Deep Learning, Machine Learning und Künstliche Intelligenz

This site uses Just the Docs, a documentation theme for Jekyll.