Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lerne, wie man Convolutional Neural Networks in Python benutzt
Bildmodelle brauchen oft Deep-Learning-Methoden, die mit Daten neuronale Netze trainieren. Netzwerkalgorithmen für verschiedene Aufgaben im Bereich des maschinellen Lernens. Faltungsneuronales Netzwerk Netzwerke (CNNs) sind besonders leistungsstarke neuronale Netzwerke, die du verwenden wirst, um verschiedene Arten von Objekten für die Bildanalyse sortieren. Dieser vierstündige In diesem Kurs lernst du, wie du CNNs mit Keras aufbaust, trainierst und bewertest.Bilder in Daten umwandeln und neuronalen Netzwerken beibringen, diese zu klassifizieren, ist eine Herausforderndes Element des Deep Learning mit vielen Anwendungsmöglichkeiten Geschäft und Forschung, von der Unterstützung einer E-Commerce-Website bei der Bestandsverwaltung bis hin zu ganz einfach, damit Krebsforscher gefährliche Melanome schnell erkennen können.
Entdecke Keras CNNs
Das erste Kapitel dieses Kurses geht drauf ein, wie Bilder als Daten gesehen werden können, und wie du mit Keras ein neuronales Netzwerk trainieren kannst, um Objekte zu klassifizieren, die in Bilder.Das zweite Kapitel geht auf Faltungen ein, die ein wichtiger Teil von CNNs sind. Das erreichst du, Lerne, wie sie mit Bilddaten arbeiten, und finde heraus, wie du deine Modelle trainieren und optimieren kannst. Keras CNN mit Testdaten. In den nächsten Kapiteln geht's genauer ins Detail und du lernst Wie man ein Deep-Learning-Netzwerk aufbaut.
Erstell dein eigenes Keras-Neuralnetzwerk
Am Ende des Kurses lernst du verschiedene Möglichkeiten kennen, wie du deinen Lernfortschritt auf dem Lernpfad verfolgen kannst. Wie gut CNN arbeitet und wie du ihre Leistung verbessern kannst. An dieser Stelle Du kannst Keras-Neuralnetzwerke erstellen, optimieren und visualisieren. ihre Antworten in verschiedenen Anwendungsbereichen.Voraussetzungen
Lernprogramm
Kursübersicht
1
Bildverarbeitung mit neuronalen Netzen
Convolutional Neural Networks (CNNs) nutzen die in Bildern enthaltenen Daten, um zu lernen. In diesem Kapitel schauen wir uns Daten in Bildern an und lernen, wie man mit Keras ein neuronales Netzwerk trainiert, um Objekte in Bildern zu erkennen.
- Einführung in Convolutional Neural Networks (CNN)50 XP
- Bilder als Daten: Visualisierungen100 XP
- Bilder als Daten: Bilder im Wandel100 XP
- Bilder sortieren50 XP
- Bilder mit One-Hot-Kodierung darstellen100 XP
- Einen Klassifikator bewerten100 XP
- Klassifizierung mit Keras50 XP
- Ein neuronales Netzwerk aufbauen100 XP
- Ein neuronales Netzwerk zusammenstellen100 XP
- Ein neuronales Netzwerkmodell an Kleidungsdaten anpassen100 XP
- Kreuzvalidierung für die Bewertung neuronaler Netze100 XP
2
Verwendung von Faltungen
Faltungsnetzwerke sind die grundlegenden Bausteine von Faltungsneuronalen Netzen. In diesem Kapitel lernst du Faltungen kennen und wie sie mit Bilddaten funktionieren. Du wirst auch sehen, wie du Faltungen in Keras-Neuralnetzwerke einbaust.
3
Tiefer eintauchen
Convolutional Neural Networks werden richtig stark, wenn sie aus mehreren Schichten bestehen (Deep Networks). In diesem Kapitel lernst du, wie du mehrere Faltungs-Schichten in einem tiefen Netzwerk stapeln kannst. Außerdem lernst du, wie du die Anzahl der Parameter im Auge behalten kannst, wenn das Netzwerk wächst, und wie du diese Anzahl kontrollieren kannst.
4
Tiefe Faltungsnetzwerke verstehen und verbessern
Es gibt viele Möglichkeiten, das Training mit neuronalen Netzen zu verbessern. In diesem Kapitel schauen wir uns an, wie wir die Leistung eines Netzwerks verfolgen können, und probieren ein paar Ansätze aus, um Convolutional Neural Networks zu verbessern.
Bildmodellierung mit Keras
Kurs
abgeschlossen
