Cursus
Introductie tot Deep Learning in Python
GemiddeldVaardigheidsniveau
Bijgewerkt 11-2022
PythonArtificial Intelligence4 u17 videos50 Opdrachten3,500 XP260K+Bewijs 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
Ontdek toepassingen van deep learning
Deep learning is de machine learning-techniek die achter de meest opwindende mogelijkheden op het gebied van robotica, natuurlijke taalverwerking, beeldherkenning en kunstmatige intelligentie zit. In deze cursus van 4 uur leer je hoe je je Python-vaardigheden kunt gebruiken voor deep learning met de Keras 2.0-bibliotheek.Ontdek Keras-modellen met een bibliotheekbijdrager
Deze cursus over deep learning wordt gegeven door Dan Becker, een voormalig datawetenschapper bij Google en medewerker van Keras. Je leert over neurale netwerkmodellen en hoe je daarmee voorspellingen kunt doen. De eerste hoofdstukken geven je meer inzicht in zowel voorwaartse als achterwaartse propagatie en hoe deze in de praktijk werken.De Keras-bibliotheek is een Python-bibliotheek die je kan helpen bij het ontwikkelen en beoordelen van deep learning-modellen. Net als veel andere Python-bibliotheken is het gratis, open source en super makkelijk te gebruiken. Je begint met het maken van een Keras-model en leert hoe je het kunt compileren, aanpassen en classificeren voordat je voorspellingen doet. Als je deze cursus hebt gedaan, heb je alle tools die je nodig hebt om diepe neurale netwerken te bouwen en na verloop van tijd te experimenteren met bredere en diepere netwerken.
Duik dieper in deep learning
Deze cursus is onderdeel van verschillende machine learning- en deep learning-trajecten en biedt je een duidelijk pad om je vaardigheden en ervaring op dit gebied op te bouwen zodra je de inleidende cursus hebt afgerond, of je nu een persoonlijk project wilt voltooien of een carrière als machine learning-wetenschapper wilt nastreven.Vereisten
Supervised Learning with scikit-learn1
Basisprincipes van deep learning en neurale netwerken
In dit hoofdstuk maak je kennis met de kernbegrippen en terminologie van deep learning en ontdek je waarom deep learning-technieken vandaag zo krachtig zijn. Je bouwt eenvoudige neurale netwerken en laat ze voorspellingen genereren.
2
Een neuraal netwerk optimaliseren met backpropagation
Leer hoe je de voorspellingen van je neurale netwerken kunt optimaliseren. Je gebruikt een methode die backpropagation heet, een van de belangrijkste technieken in deep learning. Begrijpen hoe dit werkt geeft je een sterke basis voor de tweede helft van de cursus.
3
Deep learning-modellen bouwen met Keras
In dit hoofdstuk gebruik je de Keras-bibliotheek om deep learning-modellen te bouwen voor zowel regressie als classificatie. Je leert over de Specify-Compile-Fit-workflow die je kunt gebruiken om voorspellingen te doen, en aan het einde van het hoofdstuk heb je alle tools om diepe neurale netwerken te bouwen.
4
Keras-modellen finetunen
Leer hoe je je deep learning-modellen in Keras optimaliseert. Begin met het valideren van je modellen, begrijp vervolgens het concept modelcapaciteit en experimenteer tot slot met bredere en diepere netwerken.
Introductie tot Deep Learning in Python
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 Introductie tot Deep Learning in Python!
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.