Lecture: fix yaml headers (indentation, homework sheets)

lecture/nn/nn1_perceptron.md

@@ -15,21 +15,21 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106589&client_id=FH-Bielefeld"
-     name: "Selbsttest Intro ML (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106589&client_id=FH-Bielefeld"
+    name: "Selbsttest Intro ML (ILIAS)"
 assignments:
-    - topic: sheet07
+  - topic: sheet07
 youtube:
-    - link: "https://youtu.be/IJdiwITTC9Y"
-      name: "NN1.1 - Einführung"
-    - link: "https://youtu.be/oWcvFyLgqYc"
-      name: "NN1.2 - Fallstudie und Formalisierung"
-    - link: "https://youtu.be/ZvWpI0Doocc"
-      name: "NN1.3 - Das Perzeptron Modell"
-    - link: "https://youtu.be/8Rdw2NBCCJk"
-      name: "NN1.4 - Perzeptron Beispiel"
-    - link: "https://youtu.be/JD8Qsg8_kQI"
-      name: "NN1.5 - Der Perzeptron Lernalgorithmus"
+  - link: "https://youtu.be/IJdiwITTC9Y"
+    name: "NN1.1 - Einführung"
+  - link: "https://youtu.be/oWcvFyLgqYc"
+    name: "NN1.2 - Fallstudie und Formalisierung"
+  - link: "https://youtu.be/ZvWpI0Doocc"
+    name: "NN1.3 - Das Perzeptron Modell"
+  - link: "https://youtu.be/8Rdw2NBCCJk"
+    name: "NN1.4 - Perzeptron Beispiel"
+  - link: "https://youtu.be/JD8Qsg8_kQI"
+    name: "NN1.5 - Der Perzeptron Lernalgorithmus"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN1-Das_Perzeptron.pdf"
     name: "NN1-Das_Perzeptron.pdf"

lecture/nn/nn2_linear_regression.md

@@ -15,37 +15,37 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106590&client_id=FH-Bielefeld"
-     name: "Selbsttest Lineare Regression (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106590&client_id=FH-Bielefeld"
+    name: "Selbsttest Lineare Regression (ILIAS)"
 assignments:
-    - topic: sheet08
+  - topic: sheet08
 youtube:
-    - link: "https://youtu.be/f-DTaKMnkj4"
-      name: "NN2.1 - Lineare Regression - Intro"
-    - link: "https://youtu.be/UnLjjMswNRo"
-      name: "NN2.2 - Vergleich Perzeptron und Bsp"
-    - link: "https://youtu.be/H2YvYIaUW1Q"
-      name: "NN2.3 - Kostenfunktiıon und Gradientenvektor"
-    - link: "https://youtu.be/URaVsZnfppQ"
-      name: "NN2.4 - Berechnung Gradientenvektor - Beispiel"
-    - link: "https://youtu.be/5OZF3Qopous"
-      name: "NN2.5 - Berechnung Gradientenvektor - Allgemein"
-    - link: "https://youtu.be/m-TnM13I-no"
-      name: "NN2.6 - Skalierung der Merkmale"
+  - link: "https://youtu.be/f-DTaKMnkj4"
+    name: "NN2.1 - Lineare Regression - Intro"
+  - link: "https://youtu.be/UnLjjMswNRo"
+    name: "NN2.2 - Vergleich Perzeptron und Bsp"
+  - link: "https://youtu.be/H2YvYIaUW1Q"
+    name: "NN2.3 - Kostenfunktiıon und Gradientenvektor"
+  - link: "https://youtu.be/URaVsZnfppQ"
+    name: "NN2.4 - Berechnung Gradientenvektor - Beispiel"
+  - link: "https://youtu.be/5OZF3Qopous"
+    name: "NN2.5 - Berechnung Gradientenvektor - Allgemein"
+  - link: "https://youtu.be/m-TnM13I-no"
+    name: "NN2.6 - Skalierung der Merkmale"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN2-Lineare_Regression.pdf"
     name: "NN2-Lineare_Regression.pdf"
 challenges: |
     **Skalierung der Merkmale**
 
     Abbildung 1 und Abbildung 2 zeigen die [Höhenlinien](https://de.wikipedia.org/wiki/H%C3%B6henlinie) ([Contour Lines](https://en.wikipedia.org/wiki/Contour_line)) von zwei Kostenfunktionen.
- 
+
     ![Abbildung 1](https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/images/contour_plot_a.png){width="40%"}
     ![Abbildung 2](https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/images/contour_plot_b.png){width="40%"}
 
-    *   Erklären Sie, welcher der beiden Fälle nachteilhaft für den Gradientenabstieg Algorithmus ist. Wo liegt der Nachteil? 
+    *   Erklären Sie, welcher der beiden Fälle nachteilhaft für den Gradientenabstieg Algorithmus ist. Wo liegt der Nachteil?
     Wie kann die Merkmalskalierung dem genannten Nachteil entgegenwirken?
-    *   Zeigen Sie unter Verwendung Ihrer eigenen, zufällig generierten Datenpunkte aus dem Bereich 
+    *   Zeigen Sie unter Verwendung Ihrer eigenen, zufällig generierten Datenpunkte aus dem Bereich
     $[100, 300] \times [0, 2]$, wie sich Standardisierung, Min-Max Skalierung und Normalisierung auf die Daten auswirken.
     Vergleichen Sie dazu die jeweiligen Streudiagramme (scatterplots). Sie können hierzu das folgende [**Jupyter Notebook**](https://github.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/blob/master/lecture/nn/files/Feature_Scaling_Starter.ipynb) als Startpunkt benutzen.
 ---

lecture/nn/nn3_logistic_regression.md

@@ -14,19 +14,19 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106591&client_id=FH-Bielefeld"
-     name: "Selbsttest Logistische Regression (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106591&client_id=FH-Bielefeld"
+    name: "Selbsttest Logistische Regression (ILIAS)"
 assignments:
-    - topic: sheet09
+  - topic: sheet08
 youtube:
-    - link: "https://youtu.be/GpJmjrqA5RY"
-      name: "NN3.1 - Logistische Regression - Intro"
-    - link: "https://youtu.be/z-jFZeNWMRc"
-      name: "NN3.2 - Logistische Regression - Hypothesenfunktion und Bsp"
-    - link: "https://youtu.be/ruuCKupOhCE"
-      name: "NN3.3 - Logistische Regression - Verlust und Kosten"
-    - link: "https://youtu.be/kPAZsr-r1LA"
-      name: "NN3.4 - Logistische Regression - Gradientenabstieg"
+  - link: "https://youtu.be/GpJmjrqA5RY"
+    name: "NN3.1 - Logistische Regression - Intro"
+  - link: "https://youtu.be/z-jFZeNWMRc"
+    name: "NN3.2 - Logistische Regression - Hypothesenfunktion und Bsp"
+  - link: "https://youtu.be/ruuCKupOhCE"
+    name: "NN3.3 - Logistische Regression - Verlust und Kosten"
+  - link: "https://youtu.be/kPAZsr-r1LA"
+    name: "NN3.4 - Logistische Regression - Gradientenabstieg"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN3-Logistische_Regression.pdf"
     name: "NN3-Logistische_Regression.pdf"

lecture/nn/nn4_overfitting.md

@@ -9,18 +9,18 @@ outcomes:
   - k2: "Regularisierung (Auswirkung auf Gewichte und Modell)"
   - k3: "Gradientenabstieg für regularisierte logistische Regression"
 readings:
-    - key: "AbuMostafa2012"
-      comment: "Kapitel 4"
+  - key: "AbuMostafa2012"
+    comment: "Kapitel 4"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106595&client_id=FH-Bielefeld"
-     name: "Selbsttest Overfitting (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106595&client_id=FH-Bielefeld"
+    name: "Selbsttest Overfitting (ILIAS)"
 assignments:
-    - topic: sheet10
+  - topic: sheet09
 youtube:
-    - link: "https://youtu.be/KJLT-h_ChRo"
-      name: "NN4.1 - Nichtlineare Modelle"
-    - link: "https://youtu.be/BW91MYPUH_k"
-      name: "NN4.2 - Overfitting und Regularisierung"
+  - link: "https://youtu.be/KJLT-h_ChRo"
+    name: "NN4.1 - Nichtlineare Modelle"
+  - link: "https://youtu.be/BW91MYPUH_k"
+    name: "NN4.2 - Overfitting und Regularisierung"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN4-Nichtlineare_Modelle_und_Overfitting.pdf"
     name: "NN4-Nichtlineare_Modelle_und_Overfitting.pdf"

lecture/nn/nn5_mlp.md

@@ -13,34 +13,34 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106592&client_id=FH-Bielefeld"
-     name: "Selbsttest Multilayer Perzeptron (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106592&client_id=FH-Bielefeld"
+    name: "Selbsttest Multilayer Perzeptron (ILIAS)"
 assignments:
-    - topic: sheet10
+  - topic: sheet09
 youtube:
-    - link: "https://youtu.be/7ltwa5WWuKI"
-      name: "NN5.1 - MLP Forward Propagation"
+  - link: "https://youtu.be/7ltwa5WWuKI"
+    name: "NN5.1 - MLP Forward Propagation"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN5-MLP.pdf"
     name: "NN5-MLP.pdf"
 challenges: |
     **Lineares MLP**
 
-    Gegeben sei ein MLP mit linearen Aktivierungsfunktionen, d.h. für jedes Neuron berechnet sich der 
+    Gegeben sei ein MLP mit linearen Aktivierungsfunktionen, d.h. für jedes Neuron berechnet sich der
     Output durch die gewichtete Summe der Inputs: $y = g(w^T x)$, wobei $g(z) = z$ gilt, also $y = w^T x$.
-    Zeigen Sie, dass dieses Netz durch eine einzige Schicht mit linearen Neuronen ersetzt werden kann. 
+    Zeigen Sie, dass dieses Netz durch eine einzige Schicht mit linearen Neuronen ersetzt werden kann.
 
-    Betrachten Sie dazu ein zwei-schichtiges Netz (i.e. bestehend aus Eingabe-Schicht, Ausgabe-Schicht und einer versteckten Schicht) 
+    Betrachten Sie dazu ein zwei-schichtiges Netz (i.e. bestehend aus Eingabe-Schicht, Ausgabe-Schicht und einer versteckten Schicht)
     und schreiben Sie die Gleichung auf, die die Ausgabe als Funktion der Eingabe darstellt.
 
     Als Beispiel sei das zwei-schichtige MLP mit den folgenden Gewichten und Bias-Werten gegeben:
 
-    Schicht 1: $W_1 = [[2, 2],[3, -2]]$, $b_1 = [[1],[-1]]$  
+    Schicht 1: $W_1 = [[2, 2],[3, -2]]$, $b_1 = [[1],[-1]]$
     Schicht 2: $W_2 = [[-2, 2]]$, $b_2 = [[-1]]$
 
-    * Stellen Sie dieses Netzwerk graphisch dar. Was ist die Anzahl der Zellen in den einzelnen Schichten? 
+    * Stellen Sie dieses Netzwerk graphisch dar. Was ist die Anzahl der Zellen in den einzelnen Schichten?
     * Berechnen Sie die Ausgabe für eine Beispiel-Eingabe Ihrer Wahl.
-    * Stellen Sie ein ein-schichtiges Netz auf, das für jede Eingabe die gleiche Ausgabe wie das obige Netzwerk berechnet und es somit ersetzen könnte.   
+    * Stellen Sie ein ein-schichtiges Netz auf, das für jede Eingabe die gleiche Ausgabe wie das obige Netzwerk berechnet und es somit ersetzen könnte.
 ---
 
 

lecture/nn/nn6_backprop.md

@@ -13,17 +13,17 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106593&client_id=FH-Bielefeld"
-     name: "Selbsttest Backpropagation (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106593&client_id=FH-Bielefeld"
+    name: "Selbsttest Backpropagation (ILIAS)"
 assignments:
-    - topic: sheet11
+  - topic: sheet10
 youtube:
-    - link: "https://youtu.be/G9x75THjueQ"
-      name: "NN6.1 - MLP Backpropagation 1"
-    - link: "https://youtu.be/9Ku0dJ8pGrU"
-      name: "NN6.2 - MLP Backpropagation 2"
-    - link: "https://youtu.be/uvT4WPIIkwQ"
-      name: "NN6.3 - MLP Zusammenfassung"
+  - link: "https://youtu.be/G9x75THjueQ"
+    name: "NN6.1 - MLP Backpropagation 1"
+  - link: "https://youtu.be/9Ku0dJ8pGrU"
+    name: "NN6.2 - MLP Backpropagation 2"
+  - link: "https://youtu.be/uvT4WPIIkwQ"
+    name: "NN6.3 - MLP Zusammenfassung"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN6-MLP_Backpropagation.pdf"
     name: "NN6-MLP_Backpropagation.pdf"

lecture/nn/nn7_training_testing.md

@@ -14,17 +14,17 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 quizzes:
-   - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106594&client_id=FH-Bielefeld"
-     name: "Selbsttest Training & Testing (ILIAS)"
+  - link: "https://www.hsbi.de/elearning/goto.php?target=tst_1106594&client_id=FH-Bielefeld"
+    name: "Selbsttest Training & Testing (ILIAS)"
 #assignments:
 #    - topic: sheet12
 youtube:
-    - link: "https://youtu.be/PUw-TvLJULI"
-      name: "NN7.1 - Training, Testing, Validierung"
-    - link: "https://youtu.be/DqjdZ8HaDSo"
-      name: "NN7.2 - Kreuzvalidierung"
-    - link: "https://youtu.be/7XATTMNI-gI"
-      name: "NN7.3 - Beispiel"
+  - link: "https://youtu.be/PUw-TvLJULI"
+    name: "NN7.1 - Training, Testing, Validierung"
+  - link: "https://youtu.be/DqjdZ8HaDSo"
+    name: "NN7.2 - Kreuzvalidierung"
+  - link: "https://youtu.be/7XATTMNI-gI"
+    name: "NN7.3 - Beispiel"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN7-Testing-Validierung.pdf"
     name: "NN7-Testing-Validierung.pdf"

lecture/nn/nn8_testing.md

@@ -18,16 +18,16 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 youtube:
-    - link: "https://youtu.be/T-WYL28iwdU"
-      name: "NN8.1 - Confusion Matrix"
-    - link: "https://youtu.be/fpsNzn4Moow"
-      name: "NN8.2 - Precision und Recall"
-    - link: "https://youtu.be/Wx_HAuIXTAQ"
-      name: "NN8.3 - Precision Recall Trade-off"
-    - link: "https://youtu.be/UAV7EpdIe6Q"
-      name: "NN8.4 - F1-Score"
-    - link: "https://youtu.be/vsmoYiArtrA"
-      name: "NN8.5 - Harmonisches Mittel- Intuition"
+  - link: "https://youtu.be/T-WYL28iwdU"
+    name: "NN8.1 - Confusion Matrix"
+  - link: "https://youtu.be/fpsNzn4Moow"
+    name: "NN8.2 - Precision und Recall"
+  - link: "https://youtu.be/Wx_HAuIXTAQ"
+    name: "NN8.3 - Precision Recall Trade-off"
+  - link: "https://youtu.be/UAV7EpdIe6Q"
+    name: "NN8.4 - F1-Score"
+  - link: "https://youtu.be/vsmoYiArtrA"
+    name: "NN8.5 - Harmonisches Mittel- Intuition"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN8-Performanzanalyse.pdf"
     name: "NN8-Performanzanalyse.pdf"

lecture/nn/nn9_llm.md

@@ -13,10 +13,10 @@ outcomes:
 #     comment: "Kapitel 2 und 3"
 #   - key: "Ertel2017"
 youtube:
-    - link: "https://youtu.be/TODO"
-      name: "NN9.1 - TODO"
-    - link: "https://youtu.be/TODO"
-      name: "NN9.2 - TODO"
+  - link: "https://youtu.be/TODO"
+    name: "NN9.1 - TODO"
+  - link: "https://youtu.be/TODO"
+    name: "NN9.2 - TODO"
 attachments:
   - link: "https://raw.githubusercontent.com/Artificial-Intelligence-HSBI-TDU/KI-Vorlesung/master/lecture/nn/files/NN9-LLM.pdf"
     name: "NN9-LLM.pdf"