ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Advanced Deep Learning with Keras

ระดับกลางระดับทักษะ

อัปเดตแล้ว 11/2567

Learn how to develop deep learning models with Keras.

เริ่มเรียนหลักสูตรฟรี

PythonArtificial Intelligence4 ชม.13 videos46 Exercises3,950 เอ็กซ์พี34,844คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Keras functional API

In this course, you will learn how to solve complex problems using the Keras functional API.

Beginning with an introduction, you will build simple functional networks, fit them to data, and make predictions. You will also learn how to construct models with multiple inputs and a single output and share weights between layers.

Multiple-input networks

As you progress, explore building two-input networks using categorical embeddings, shared layers, and merge layers. These are the foundational building blocks for designing neural networks with complex data flows.

It extends these concepts to models with three or more inputs, helping you understand the parameters and topology of your neural networks using Keras' summary and plot functions.

Multiple-output networks

In the final interactive exercises, you'll work with multiple-output networks, which can solve regression problems with multiple targets and even handle both regression and classification tasks simultaneously.

By the end of the course, you'll have practical experience with advanced deep learning techniques to advance your career as a data scientist, including evaluating your models on new data using multiple metrics.

ข้อกำหนดเบื้องต้น

Introduction to Deep Learning with Keras

1

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.

Keras input and dense layers

50 เอ็กซ์พี

Input layers

100 เอ็กซ์พี

Dense layers

100 เอ็กซ์พี

Output layers

100 เอ็กซ์พี

Build and compile a model

50 เอ็กซ์พี

Build a model

100 เอ็กซ์พี

Compile a model

100 เอ็กซ์พี

Visualize a model

100 เอ็กซ์พี

Fit and evaluate a model

50 เอ็กซ์พี

Fit the model to the tournament basketball data

100 เอ็กซ์พี

Evaluate the model on a test set

100 เอ็กซ์พี

เริ่มบท

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.

Category embeddings

50 เอ็กซ์พี

Define team lookup

100 เอ็กซ์พี

Define team model

100 เอ็กซ์พี

Shared layers

50 เอ็กซ์พี

Defining two inputs

100 เอ็กซ์พี

Lookup both inputs in the same model

100 เอ็กซ์พี

Merge layers

50 เอ็กซ์พี

Output layer using shared layer

100 เอ็กซ์พี

Model using two inputs and one output

100 เอ็กซ์พี

Predict from your model

50 เอ็กซ์พี

Fit the model to the regular season training data

100 เอ็กซ์พี

Evaluate the model on the tournament test data

100 เอ็กซ์พี

เริ่มบท

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.

Three-input models

50 เอ็กซ์พี

Make an input layer for home vs. away

100 เอ็กซ์พี

Make a model and compile it

100 เอ็กซ์พี

Fit the model and evaluate

100 เอ็กซ์พี

Summarizing and plotting models

50 เอ็กซ์พี

Model summaries

100 เอ็กซ์พี

Plotting models

100 เอ็กซ์พี

Stacking models

50 เอ็กซ์พี

Add the model predictions to the tournament data

100 เอ็กซ์พี

Create an input layer with multiple columns

100 เอ็กซ์พี

Fit the model

100 เอ็กซ์พี

Evaluate the model

100 เอ็กซ์พี

เริ่มบท

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.

Two-output models

50 เอ็กซ์พี

Simple two-output model

100 เอ็กซ์พี

Fit a model with two outputs

100 เอ็กซ์พี

Inspect the model (I)

100 เอ็กซ์พี

Evaluate the model

100 เอ็กซ์พี

Single model for classification and regression

50 เอ็กซ์พี

Classification and regression in one model

100 เอ็กซ์พี

Compile and fit the model

100 เอ็กซ์พี

Inspect the model (II)

100 เอ็กซ์พี

Evaluate on new data with two metrics

100 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Advanced Deep Learning with Keras

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Advanced Deep Learning with Keras วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา