Kurs
Wprowadzenie do uczenia głębokiego w Pythonie
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 11.2022
PythonArtificial Intelligence4 godz.17 filmów50 Ćwiczeń3,500 XP260K+Zaświadczenie 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
Odkryj zastosowania deep learningu
Deep learning to technika uczenia maszynowego stojąca za najbardziej ekscytującymi możliwościami w robotyce, przetwarzaniu języka naturalnego, rozpoznawaniu obrazów i sztucznej inteligencji. W tym 4-godzinnym kursie zdobędziesz praktyczną wiedzę, jak wykorzystać swoje umiejętności Pythona w deep learningu z biblioteką Keras 2.0.Poznaj modele Keras z twórcą biblioteki
Prowadzony przez byłego data scientistę Google i współtwórcę Keras, Dana Beckera, ten kurs deep learningu zgłębia modele sieci neuronowych oraz to, jak możesz za ich pomocą generować predykcje. Pierwsze rozdziały poszerzą Twoje zrozumienie zarówno propagacji w przód, jak i propagacji wstecznej oraz tego, jak działają w praktyce.Biblioteka Keras to biblioteka Python, która może pomóc Ci tworzyć i analizować modele deep learning. Podobnie jak wiele bibliotek Pythona, jest darmowa, open source i bardzo przyjazna dla użytkownika. Zaczniesz od stworzenia modelu Keras i nauczysz się, jak go kompilować, dopasowywać i klasyfikować, zanim zaczniesz tworzyć prognozy. Po ukończeniu tego kursu będziesz mieć wszystkie narzędzia potrzebne do budowania głębokich sieci neuronowych i z czasem zaczniesz eksperymentować z szerszymi i głębszymi sieciami.
Zagłęb się jeszcze bardziej w deep learning
Ten kurs jest częścią kilku ścieżek uczenia maszynowego i deep learningu, oferując Ci jasne możliwości rozwijania umiejętności i zdobywania doświadczenia w tej dziedzinie po ukończeniu kursu wprowadzającego — niezależnie od tego, czy chcesz zrealizować własny projekt, czy zmierzać w stronę kariery jako Machine Learning Scientist.Wymagania wstępne
Supervised Learning with scikit-learn1
Basics of deep learning and neural networks
In this chapter, you'll become familiar with the fundamental concepts and terminology used in deep learning, and understand why deep learning techniques are so powerful today. You'll build simple neural networks and generate predictions with them.
2
Optimizing a neural network with backward propagation
Learn how to optimize the predictions generated by your neural networks. You'll use a method called backward propagation, which is one of the most important techniques in deep learning. Understanding how it works will give you a strong foundation to build on in the second half of the course.
3
Building deep learning models with keras
In this chapter, you'll use the Keras library to build deep learning models for both regression and classification. You'll learn about the Specify-Compile-Fit workflow that you can use to make predictions, and by the end of the chapter, you'll have all the tools necessary to build deep neural networks.
4
Fine-tuning keras models
Learn how to optimize your deep learning models in Keras. Start by learning how to validate your models, then understand the concept of model capacity, and finally, experiment with wider and deeper networks.
Wprowadzenie do uczenia głębokiego w Pythonie
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 Wprowadzenie do uczenia głębokiego w Pythonie 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.