Kurs
Zaawansowane uczenie głębokie z Keras
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 11.2024
PythonArtificial Intelligence4 godz.13 filmów46 Ćwiczeń3,950 XP34,949Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Funkcjonalne API Keras
W tym kursie nauczysz się, jak rozwiązywać złożone problemy za pomocą funkcjonalnego API Keras.Zaczynając od wprowadzenia, zbudujesz proste sieci funkcyjne, dopasujesz je do danych i będziesz tworzyć prognozy. Nauczysz się także, jak tworzyć modele z wieloma wejściami i pojedynczym wyjściem oraz jak współdzielić wagi między warstwami.
Sieci wielowejściowe
W miarę postępów poznasz tworzenie sieci z dwoma wejściami z wykorzystaniem osadzeń kategorycznych, warstw współdzielonych i warstw łączenia. To są podstawowe elementy składowe projektowania sieci neuronowych ze złożonymi przepływami danych.Rozszerza te koncepcje na modele z trzema lub większą liczbą wejść, pomagając zrozumieć parametry i topologię sieci neuronowych za pomocą funkcji summary i plot w Kerasie.
Sieci wielowyjściowe
W końcowych ćwiczeniach interaktywnych będziesz pracować z sieciami wielowyjściowymi, które potrafią rozwiązywać problemy regresji z wieloma celami, a nawet jednocześnie obsługiwać zadania regresji i klasyfikacji.Po ukończeniu kursu zdobędziesz praktyczne doświadczenie z zaawansowanymi technikami deep learning, które pomogą Ci rozwinąć karierę jako data scientist, w tym ocenianie modeli na nowych danych przy użyciu wielu metryk.
Wymagania wstępne
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.
Zaawansowane uczenie głębokie z Keras
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Zaawansowane uczenie głębokie z Keras już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.