Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Hol dir eine Einführung in TensorFlow
Vor nicht allzu langer Zeit konnten moderne Computervisionsalgorithmen nicht zwischen Bildern von Katzen und Hunden unterscheiden. Heute kann ein erfahrener Datenwissenschaftler, der nur mit einem Laptop ausgestattet ist, Zehntausende von Objekten genauer klassifizieren als das menschliche Auge.In diesem Kurs wirst du TensorFlow 2.6 nutzen, um Modelle zu entwickeln, zu trainieren und Vorhersagen zu treffen, die große Fortschritte in Empfehlungssystemen, Bildklassifizierung und FinTech ermöglicht haben.
Lineare Modelle für Vorhersagen nutzen
Du lernst, wie du mit TensorFlow 2.6 Vorhersagen mit linearen Regressionsmodellen machst, und kannst dein Wissen testen, indem du die Immobilienpreise in King County vorhersagst. In diesem Abschnitt des Kurses geht's um Verlustfunktionen und wie du deinen Ressourcenverbrauch senken kannst, indem du dein lineares Modell in Stapeln trainierst.Trainiere dein neuronales Netzwerk
In der zweiten Hälfte des Kurses wirst du dieselben Tools nutzen, um mit neuronalen Netzen Vorhersagen zu treffen. Du wirst das Trainieren eines Netzwerks in TensorFlow üben, indem du trainierbare Variablen hinzufügst und dein Modell und deine Testfunktionen nutzt, um Zielwerte vorherzusagen.Kombiniere TensorFlow mit der Keras-API
Hol dir die starke API von Keras rein und lerne, wie du sie mit TensorFlow 2.6 kombinieren kannst, um Vorhersagen zu treffen und Modelle zu bewerten. Am Ende dieses Kurses wirst du wissen, wie du die Estimators-API nutzen kannst, um die Modelldefinition zu optimieren und Fehler zu vermeiden.Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in TensorFlow
Bevor du fortgeschrittene Modelle in TensorFlow 2 bauen kannst, brauchst du zunächst die Grundlagen. In diesem Kapitel lernst du, wie du Konstanten und Variablen definierst, Tensoren addierst und multiplizierst und Ableitungen berechnest. Kenntnisse in linearer Algebra sind hilfreich, aber nicht zwingend erforderlich.
- Konstanten und Variablen50 XP
- Daten als Konstanten definieren100 XP
- Variablen definieren100 XP
- Grundlegende Operationen50 XP
- Elementweise Multiplikation durchführen100 XP
- Vorhersagen mit Matrixmultiplikation100 XP
- Über Tensor-Dimensionen summieren50 XP
- Fortgeschrittene Operationen50 XP
- Tensors umformen100 XP
- Mit Gradienten optimieren100 XP
- Mit Bilddaten arbeiten100 XP
2
Lineare Modelle
In diesem Kapitel lernst du, wie du in TensorFlow 2 Modelle aufbaust, löst und Vorhersagen damit triffst. Der Fokus liegt auf einer einfachen Modellklasse – dem linearen Regressionsmodell – und du versuchst, Immobilienpreise vorherzusagen. Am Ende des Kapitels weißt du, wie du Daten lädst und aufbereitest, Verlustfunktionen konstruierst, Minimierung durchführst, Vorhersagen machst und mit Batch-Training Ressourcen sparst.
3
Neuronale Netze
In den vorherigen Kapiteln hast du gelernt, wie man in TensorFlow 2 Modelle erstellt. In diesem Kapitel wendest du dieselben Werkzeuge an, um neuronale Netze zu bauen, zu trainieren und damit Vorhersagen zu treffen. Du lernst, dichte Schichten zu definieren, Aktivierungsfunktionen anzuwenden, einen Optimierer zu wählen und Regularisierung einzusetzen, um Overfitting zu reduzieren. Du nutzt die Flexibilität von TensorFlow, indem du sowohl Operationen der linearen Algebra auf Low-Level als auch die High-Level-Keras-API verwendest, um Modelle zu definieren und zu trainieren.
4
High-Level-APIs
Im letzten Kapitel verwendest du High-Level-APIs in TensorFlow 2, um einen Klassifikator für Buchstaben in der Gebärdensprache zu trainieren. Du nutzt sowohl die sequenziellen als auch die funktionalen Keras-APIs, um Modelle zu trainieren, zu validieren, Vorhersagen zu treffen und zu evaluieren. Außerdem lernst du, wie du die Estimators-API verwendest, um die Modelldefinition und den Trainingsprozess zu straffen und Fehler zu vermeiden.
Einführung in TensorFlow mit Python
Kurs
abgeschlossen
