Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Découvrez les applications du Deep Learning
L'apprentissage profond est la technique d'apprentissage automatique qui sous-tend les capacités les plus prometteuses en matière de robotique, de traitement du langage naturel, de reconnaissance d'images et d'intelligence artificielle. Au cours de cette formation de 4 heures, vous acquerrez des connaissances pratiques sur la manière d'appliquer vos compétences Python à l'apprentissage profond avec la bibliothèque Keras 2.0.Découvrez les modèles Keras avec un contributeur de la bibliothèque
Enseigné par Dan Becker, ancien scientifique des données chez Google et contributeur Keras, ce cours sur l'apprentissage profond explore les modèles de réseaux neuronaux et la manière dont vous pouvez les utiliser pour générer des prédictions. Les premiers chapitres vous permettront de mieux comprendre la propagation avant et arrière, ainsi que leur fonctionnement dans la pratique.La bibliothèque Keras est une bibliothèque Python qui peut vous aider à développer et à réviser des modèles d'apprentissage profond. À l'instar de nombreuses bibliothèques Python, elle est gratuite, open source et très conviviale. Vous commencerez par créer un modèle Keras et apprendrez à le compiler, l'ajuster et le classer avant de faire des prédictions. Une fois ce cours terminé, vous disposerez de tous les outils nécessaires pour créer des réseaux neuronaux profonds et commencer à expérimenter des réseaux plus vastes et plus complexes au fil du temps.
Approfondissez vos connaissances en matière de Deep Learning
Ce cours fait partie de plusieurs cursus consacrés au machine learning et au deep learning. Il vous offre un parcours clair pour développer vos compétences et votre expérience dans ce domaine une fois que vous avez terminé le cours d'introduction, que vous souhaitiez mener à bien un projet personnel ou vous orienter vers une carrière de scientifique en machine learning.Prérequis
Programme de formation
Plan du cours
1
Notions de base du deep learning et des réseaux de neurones
Dans ce chapitre, vous vous familiariserez avec les concepts fondamentaux et la terminologie du deep learning, et vous comprendrez pourquoi ces techniques sont aujourd’hui si puissantes. Vous construirez des réseaux de neurones simples et générerez des prédictions avec eux.
- Introduction au deep learning50 XP
- Comparer les réseaux de neurones aux modèles de régression classiques50 XP
- Propagation vers l'avant50 XP
- Coder l’algorithme de propagation avant100 XP
- Fonctions d’activation50 XP
- La fonction d’activation linéaire rectifiée100 XP
- Appliquer le réseau à de nombreuses observations/lignes de données100 XP
- Réseaux plus profonds50 XP
- Propagation avant dans un réseau plus profond50 XP
- Réseaux de neurones à plusieurs couches100 XP
- Les représentations sont apprises50 XP
- Niveaux de représentation50 XP
2
Optimiser un réseau de neurones avec la rétropropagation
Apprenez à optimiser les prédictions générées par vos réseaux de neurones. Vous utiliserez une méthode appelée rétropropagation, l’une des techniques les plus importantes en deep learning. Comprendre son fonctionnement vous donnera une base solide pour aborder la deuxième moitié du cours.
3
Construire des modèles de deep learning avec Keras
Dans ce chapitre, vous utiliserez la bibliothèque Keras pour construire des modèles de deep learning pour la régression comme pour la classification. Vous découvrirez le flux de travail Specify-Compile-Fit pour réaliser des prédictions et, à la fin du chapitre, vous aurez tous les outils nécessaires pour construire des réseaux de neurones profonds.
4
Ajuster finement des modèles Keras
Apprenez à optimiser vos modèles de deep learning dans Keras. Commencez par apprendre à valider vos modèles, puis comprenez la notion de capacité du modèle, et enfin, expérimentez avec des réseaux plus larges et plus profonds.
Introduction au Deep Learning en Python
Cours
terminé
