Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Entdecke Deep-Learning-Anwendungen
Deep Learning ist die Technik des maschinellen Lernens, die hinter den coolsten Funktionen in der Robotik, der Verarbeitung natürlicher Sprache, der Bilderkennung und der künstlichen Intelligenz steckt. In diesem 4-stündigen Kurs lernst du ganz praktisch, wie du deine Python-Kenntnisse mit der Keras 2.0-Bibliothek für Deep Learning einsetzen kannst.Entdecke Keras-Modelle mit einem Bibliotheksmitwirkenden
Dieser Deep-Learning-Kurs wird von Dan Becker, einem ehemaligen Datenwissenschaftler bei Google und Mitwirkender an Keras, geleitet und beschäftigt sich mit neuronalen Netzmodellen und wie man damit Vorhersagen treffen kann. Die ersten Kapitel helfen dir, die Vorwärts- und Rückwärtsausbreitung besser zu verstehen und wie sie in der Praxis funktionieren.Die Keras-Bibliothek ist eine Python-Bibliothek, die dir beim Entwickeln und Überprüfen von Deep-Learning-Modellen hilft. Wie viele Python-Bibliotheken ist es kostenlos, Open Source und echt benutzerfreundlich. Du startest mit dem Erstellen eines Keras-Modells und lernst, wie du es kompilierst, anpasst und klassifizierst, bevor du Vorhersagen machst. Wenn du diesen Kurs abgeschlossen hast, hast du alles, was du brauchst, um tiefe neuronale Netzwerke aufzubauen und mit der Zeit mit breiteren und tieferen Netzwerken zu experimentieren.
Tauche tiefer in Deep Learning ein
Dieser Kurs ist Teil mehrerer Lernpfade zu maschinellem Lernen und Deep Learning. Er bietet dir klare Wege, um deine Fähigkeiten und Erfahrungen in diesem Bereich auszubauen, sobald du den Einführungskurs abgeschlossen hast – egal, ob du ein persönliches Projekt abschließen oder eine Karriere als Machine Learning Scientist anstrebst.Voraussetzungen
Lernprogramm
Kursübersicht
1
Grundlagen von Deep Learning und neuronalen Netzen
In diesem Kapitel machst du dich mit den grundlegenden Konzepten und der Terminologie im Deep Learning vertraut und verstehst, warum Deep-Learning-Techniken heute so leistungsfähig sind. Du erstellst einfache neuronale Netze und erzeugst damit Vorhersagen.
- Einführung in Deep Learning50 XP
- Vergleich von Modellen neuronaler Netze mit klassischen Regressionsmodellen50 XP
- Forward Propagation50 XP
- Forward Propagation programmieren100 XP
- Aktivierungsfunktionen50 XP
- Die Rectified Linear Activation Funktion100 XP
- Anwendung des Netzwerks auf viele Beobachtungen/Datenzeilen100 XP
- Vielschichtigere Netzwerke50 XP
- Forward Propagation in einem tieferen Netzwerk50 XP
- Mehrschichtige neuronale Netze100 XP
- Repräsentationen werden gelernt50 XP
- Repräsentationsebenen50 XP
2
Optimierung eines neuronalen Netzes mit Backpropagation
Lerne, wie du die von deinen neuronalen Netzen erzeugten Vorhersagen optimierst. Du verwendest eine Methode namens Backpropagation, eine der wichtigsten Techniken des Deep Learning. Wenn du verstehst, wie sie funktioniert, hast du eine starke Basis für die zweite Kurs-Hälfte.
3
Deep-Learning-Modelle mit Keras erstellen
In diesem Kapitel nutzt du die Keras-Bibliothek, um Deep-Learning-Modelle für Regression und Klassifikation zu erstellen. Du lernst den Specify-Compile-Fit-Workflow kennen, mit dem du Vorhersagen erstellen kannst. Am Ende des Kapitels hast du alle Werkzeuge zur Hand, um tiefe neuronale Netze zu erstellen.
4
Keras-Modelle feinabstimmen
Lerne, wie Du deine Deep-Learning-Modelle in Keras optimierst. Du beginnst damit zu verstehen, wie Du deine Modelle validierst; anschließend lernst Du das Konzept der Modellkapazität und experimentierst schließlich mit breiteren und tieferen Netzen.
Einführung in Deep Learning mit Python
Kurs
abgeschlossen
