Cursus
Beeldmodellering met Keras
GevorderdVaardigheidsniveau
Bijgewerkt 01-2026
PythonArtificial Intelligence4 u13 videos45 Opdrachten3,650 XP39,801Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
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
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Leer hoe je convolutional neural networks in Python kunt gebruiken
Beeldmodellen hebben vaak deep learning-methoden nodig die data gebruiken om neurale netwerken te trainen. netwerkalgoritmen om verschillende machine learning-taken uit te voeren. Convolutionele neurale netwerken Netwerken (CNN's) zijn super krachtige neurale netwerken die je kunt gebruiken om verschillende soorten objecten indelen voor het analyseren van afbeeldingen. Deze vier uur durende In deze cursus leer je hoe je CNN's kunt bouwen, trainen en evalueren met Keras.Beelden omzetten in data en neurale netwerken leren om ze te classificeren is een Een uitdagend onderdeel van deep learning met allerlei toepassingen. zakelijk en onderzoek, van het helpen van een e-commerce site bij het beheren van de voorraad tot zodat kankeronderzoekers snel gevaarlijke melanoom kunnen herkennen.
Ontdek Keras CNN's
Het eerste hoofdstuk van deze cursus gaat over hoe je afbeeldingen kunt zien als data, en hoe je Keras kunt gebruiken om een neuraal netwerk te trainen om dingen te classificeren die je tegenkomt in afbeeldingen.Het tweede hoofdstuk gaat over convoluties, een belangrijk onderdeel van CNN's. Je zult ontdek hoe ze met beeldgegevens werken en leer hoe je je Keras CNN met testgegevens. In de latere hoofdstukken gaan we dieper in op de details en leer je hoe je een deep learning-netwerk maakt.
Maak je eigen Keras-neurale netwerk
Je sluit de cursus af met het leren van de verschillende manieren waarop je kunt bijhouden hoe hoe CNN het doet en hoe je hun prestaties kunt verbeteren. Op dit moment, kun je Keras-neurale netwerken bouwen, ze optimaliseren en visualiseren hun reacties in allerlei toepassingen.Vereisten
Introduction to Deep Learning with Keras1
Beeldverwerking met neurale netwerken
Convolutionele neurale netwerken gebruiken de gegevens die in afbeeldingen zijn weergegeven om te leren. In dit hoofdstuk gaan we gegevens in afbeeldingen verkennen en leer je hoe je Keras gebruikt om een neuraal netwerk te trainen dat objecten in afbeeldingen kan classificeren.
2
Convoluties gebruiken
Convoluties zijn de fundamentele bouwstenen van convolutionele neurale netwerken. In dit hoofdstuk maak je kennis met convoluties en leer je hoe ze werken op beeldgegevens. Je ziet ook hoe je convoluties opneemt in neurale netwerken met Keras.
3
Dieper gaan
Convolutionele neurale netwerken worden een stuk krachtiger wanneer ze zijn opgebouwd uit meerdere lagen (diepe netwerken). In dit hoofdstuk leer je hoe je meerdere convolutionele lagen stapelt tot een diep netwerk. Je leert ook hoe je, terwijl het netwerk groeit, het aantal parameters bijhoudt en hoe je dit aantal beheerst.
4
Diepe convolutionele netwerken begrijpen en verbeteren
Er zijn veel manieren om de training van neurale netwerken te verbeteren. In dit hoofdstuk richten we ons op het volgen van de prestaties van een netwerk en verkennen we manieren om convolutionele neurale netwerken te verbeteren.
Beeldmodellering 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 functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Beeldmodellering met Keras!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.