Kursus
Pemodelan Citra dengan Keras
LanjutanTingkat Keterampilan
Diperbarui 01/2026Mulai Kursus Gratis
Termasuk denganPremium or Team
PythonArtificial Intelligence4 jam13 videos45 Latihan3,650 XP39,254Bukti Prestasi
Buat Akun Gratis Anda
atau
Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.Dipercaya oleh para pelajar di ribuan perusahaan
Pelatihan untuk 2 orang atau lebih?
Coba DataCamp for BusinessDeskripsi Kursus
Belajar Menggunakan Jaringan Saraf Konvolusional (Convolutional Neural Networks) dalam Python
Model gambar seringkali memerlukan metode pembelajaran mendalam yang menggunakan data untuk melatih jaringan saraf. Algoritma jaringan untuk melakukan berbagai tugas pembelajaran mesin. Jaringan saraf konvolusional Jaringan saraf tiruan (CNNs) adalah jenis jaringan saraf tiruan yang sangat kuat yang akan Anda gunakan untuk Mengklasifikasikan berbagai jenis objek untuk analisis gambar. Ini empat jam Kursus ini akan mengajarkan Anda cara membangun, melatih, dan mengevaluasi Jaringan Saraf Konvolusional (CNN) menggunakan Keras.Mengubah gambar menjadi data dan mengajarkan jaringan saraf tiruan untuk mengklasifikasikannya adalah sebuah Elemen menantang dalam deep learning dengan aplikasi yang luas di berbagai bidang. Bisnis dan penelitian, mulai dari membantu situs eCommerce mengelola persediaan dengan lebih efisien. Memudahkan para peneliti kanker untuk dengan cepat mendeteksi melanoma yang berbahaya.
Discover Keras CNNs
Bab pertama dari kursus ini membahas bagaimana gambar dapat dianggap sebagai data, dan Bagaimana Anda dapat menggunakan Keras untuk melatih jaringan saraf tiruan guna mengklasifikasikan objek yang ditemukan dalam gambar.Bab kedua akan membahas konvolusi, bagian fundamental dari CNN. Anda akan Pelajari cara mereka mengolah data gambar dan pelajari cara melatih dan menyesuaikan model Anda. Melatih CNN menggunakan data uji. Bab-bab selanjutnya akan membahas lebih detail dan mengajarkan Anda Cara membuat jaringan deep learning.
Bangun Jaringan Saraf Tiruan Keras Anda Sendiri
Anda akan menyelesaikan kursus ini dengan mempelajari berbagai cara untuk melacak bagaimana Bagaimana kinerja CNN dan bagaimana Anda dapat meningkatkan kinerjanya. Pada tahap ini, Anda akan dapat membangun jaringan saraf Keras, mengoptimalkannya, dan memvisualisasikannya. tanggapan mereka dalam berbagai aplikasi.Persyaratan
Introduction to Deep Learning with Keras1
Image Processing With Neural Networks
Convolutional neural networks use the data that is represented in images to learn. In this chapter, we will probe data in images, and we will learn how to use Keras to train a neural network to classify objects that appear in images.
2
Using Convolutions
Convolutions are the fundamental building blocks of convolutional neural networks. In this chapter, you will be introducted to convolutions and learn how they operate on image data. You will also see how you incorporate convolutions into Keras neural networks.
3
Going Deeper
Convolutional neural networks gain a lot of power when they are constructed with multiple layers (deep networks). In this chapter, you will learn how to stack multiple convolutional layers into a deep network. You will also learn how to keep track of the number of parameters, as the network grows, and how to control this number.
4
Understanding and Improving Deep Convolutional Networks
There are many ways to improve training by neural networks. In this chapter, we will focus on our ability to track how well a network is doing, and explore approaches towards improving convolutional neural networks.
Pemodelan Citra dengan Keras
Kursus Selesai
Memperoleh Surat Keterangan Prestasi
Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV AndaBagikan di media sosial dan dalam penilaian kinerja Anda
Termasuk denganPremium or Team
Daftar SekarangBergabung dengan 19 juta pelajar dan mulai Pemodelan Citra dengan Keras Hari Ini!
Buat Akun Gratis Anda
atau
Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.