Cursus
Advanced Deep Learning met Keras
GemiddeldVaardigheidsniveau
Bijgewerkt 11-2024Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
PythonArtificial Intelligence4 u13 videos46 Opdrachten3,950 XP34,706Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
Keras functionele API
In deze cursus leer je hoe je lastige problemen kunt oplossen met de functionele API van Keras.Je begint met een inleiding en bouwt dan simpele functionele netwerken, past ze aan gegevens aan en doet voorspellingen. Je leert ook hoe je modellen kunt maken met meerdere inputs en één output en hoe je gewichten tussen lagen kunt delen..
Netwerken met meerdere ingangen
Ga je verder, probeer dan eens netwerken met twee inputs te bouwen met behulp van categorische embeddings, gedeelde lagen en samenvoegingslagen. Dit zijn de basisbouwstenen voor het ontwerpen van neurale netwerken met ingewikkelde gegevensstromen.Het breidt deze ideeën uit naar modellen met drie of meer inputs, zodat je de parameters en topologie van je neurale netwerken beter begrijpt met behulp van de samenvattings- en plotfuncties van Keras..
Netwerken met meerdere uitgangen
In de laatste interactieve oefeningen ga je aan de slag met netwerken met meerdere outputs, die regressieproblemen met meerdere doelen kunnen oplossen en zelfs zowel regressie- als classificatietaken tegelijk kunnen doen.Aan het einde van de cursus heb je praktische ervaring met geavanceerde deep learning-technieken om je carrière als datawetenschapper een boost te geven, zoals het evalueren van je modellen op nieuwe gegevens met behulp van meerdere statistieken..
Vereisten
Introduction to Deep Learning with Keras1
The Keras Functional API
In this chapter, you'll become familiar with the basics of the Keras functional API. You'll build a simple functional network using functional building blocks, fit it to data, and make predictions.
2
Two Input Networks Using Categorical Embeddings, Shared Layers, and Merge Layers
In this chapter, you will build two-input networks that use categorical embeddings to represent high-cardinality data, shared layers to specify re-usable building blocks, and merge layers to join multiple inputs to a single output. By the end of this chapter, you will have the foundational building blocks for designing neural networks with complex data flows.
3
Multiple Inputs: 3 Inputs (and Beyond!)
In this chapter, you will extend your 2-input model to 3 inputs, and learn how to use Keras' summary and plot functions to understand the parameters and topology of your neural networks. By the end of the chapter, you will understand how to extend a 2-input model to 3 inputs and beyond.
4
Multiple Outputs
In this chapter, you will build neural networks with multiple outputs, which can be used to solve regression problems with multiple targets. You will also build a model that solves a regression problem and a classification problem simultaneously.
Advanced Deep Learning met Keras
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Advanced Deep Learning met Keras!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.