After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Upptäck tillämpningar av djupinlärning
Deep learning är maskininlärningstekniken bakom de mest spännande möjligheterna inom robotik, naturlig språkbehandling, bildigenkänning och artificiell intelligens. I denna 4-timmarskurs får du praktisk, hands-on kunskap om hur du tillämpar dina Python-kunskaper på deep learning med biblioteket Keras 2.0.Utforska Keras-modeller med en biblioteksbidragsgivare
Undervisad av den tidigare Google-dataforskaren och Keras-bidragsgivaren Dan Becker utforskar denna kurs i djupinlärning neurala nätverksmodeller och hur du kan generera förutsägelser med dem. De första kapitlen kommer att fördjupa din förståelse för både framåt- och bakåtpropagering och hur de fungerar i praktiken.Keras-biblioteket är ett Python-bibliotek som kan hjälpa dig att utveckla och utvärdera djupinlärningsmodeller. Precis som många Python-bibliotek är det gratis, öppen källkod och mycket användarvänligt. Du börjar med att skapa en Keras-modell och lär dig sedan hur du kompilerar, tränar och klassificerar den innan du gör förutsägelser. När du har slutfört den här kursen kommer du att ha alla verktyg du behöver för att bygga djupa neurala nätverk och börja experimentera med bredare och djupare nätverk över tid.
Fördjupa dig ytterligare i djupinlärning
Den här kursen är en del av flera spår inom maskininlärning och djupinlärning och ger dig tydliga vägar att bygga vidare på dina färdigheter och din erfarenhet inom området när du har slutfört introduktionskursen, oavsett om du vill genomföra ett personligt projekt eller ta steget mot en karriär som Machine Learning Scientist.Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i djupinlärning och neurala nätverk
I det här kapitlet bekantar du dig med de grundläggande begreppen och termerna inom djupinlärning, och förstår varför djupinlärningstekniker är så kraftfulla i dag. Du bygger enkla neurala nätverk och genererar prediktioner med dem.
- Introduktion till djupinlärning50 XP
- Jämförelse av neurala nätverksmodeller med klassiska regressionsmodeller50 XP
- Framåtpropagering50 XP
- Koda algoritmen för framåtpropagering100 XP
- Aktiveringsfunktioner50 XP
- Den rektifierade linjära aktiveringsfunktionen100 XP
- Tillämpa nätverket på många observationer/rader med data100 XP
- Djupare nätverk50 XP
- Framåtpropagering i ett djupare nätverk50 XP
- Neurala nätverk med flera lager100 XP
- Representationer lärs in50 XP
- Representationsnivåer50 XP
2
Optimera ett neuralt nätverk med bakåtpropagering
Lär dig hur du optimerar de prediktioner som dina neurala nätverk genererar. Du använder en metod som kallas bakåtpropagering – en av de viktigaste teknikerna inom djupinlärning. Att förstå hur den fungerar ger dig en solid grund att bygga vidare på under kursens andra hälft.
3
Bygg djupinlärningsmodeller med Keras
I det här kapitlet använder du Keras-biblioteket för att bygga djupinlärningsmodeller för både regression och klassificering. Du lär dig om arbetsflödet Specificera–Kompilera–Anpassa, som du kan använda för att göra prediktioner. I slutet av kapitlet har du alla verktyg som krävs för att bygga djupa neurala nätverk.
4
Finjustera Keras-modeller
Lär dig hur du optimerar dina djupinlärningsmodeller i Keras. Du börjar med att validera dina modeller, undersöker sedan begreppet modellkapacitet och experimenterar slutligen med bredare och djupare nätverk.
Introduktion till djupinlärning i Python
Kurs
slutförd
