Cursus
Gevorderde Deep Learning met PyTorch
GemiddeldVaardigheidsniveau
Bijgewerkt 06-2025
PyTorchArtificial Intelligence4 u15 videos51 Opdrachten4,050 XP27,570Bewijs 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
Vereisten
Introduction to Deep Learning with PyTorch1
Robuuste neurale netwerken trainen
Leer hoe je neurale netwerken op een robuuste manier traint. In dit hoofdstuk gebruik je objectgeoriënteerd programmeren om PyTorch-datasets en -modellen te definiëren en fris je je kennis op over het trainen en evalueren van neurale netwerken. Je maakt ook kennis met verschillende optimizers en gaat tot slot aan de slag met technieken die helpen de veelvoorkomende problemen van onstabiele gradiënten bij het trainen van neurale netwerken te beperken.
2
Beelden & Convolutional Neural Networks
Train neurale netwerken om beeldclassificatietaken op te lossen. In dit hoofdstuk leer je hoe je beelddata in PyTorch verwerkt en ga je aan de slag met convolutional neural networks (CNN’s). Je oefent met het trainen en evalueren van een beeldclassificatiemodel en leert hoe je de modelprestaties verbetert met data-augmentatie.
3
Reeksen & Recurrent Neural Networks
Bouw en train recurrente neurale netwerken (RNN’s) voor het verwerken van sequentiële data zoals tijdreeksen, tekst of audio. Je leert over de twee populairste recurrente architecturen, Long Short-Term Memory (LSTM) en Gated Recurrent Unit (GRU), en hoe je sequentiële data voorbereidt voor training. Je oefent je vaardigheden door een recurrent model te trainen en te evalueren om het elektriciteitsverbruik te voorspellen.
4
Architecturen met meerdere inputs en outputs
Bouw modellen met meerdere inputs en outputs, en laat zien hoe ze taken aankunnen die meer dan één invoer vereisen of meerdere uitvoer genereren. Je onderzoekt hoe je deze modellen ontwerpt en traint met PyTorch en verdiept je in het cruciale onderwerp van verliesweging in multi-outputmodellen. Dit houdt in dat je leert hoe je het belang van verschillende taken in balans brengt wanneer je een model traint om meerdere taken tegelijk uit te voeren.
Gevorderde Deep Learning met PyTorch
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 Gevorderde Deep Learning met PyTorch!
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.