หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
Keras functional API
ในหลักสูตรนี้ คุณจะได้เรียนรู้วิธีแก้ปัญหาที่ซับซ้อนโดยใช้ Keras functional APIเริ่มต้นด้วยบทนำ คุณจะได้สร้างโครงข่ายเชิงฟังก์ชันแบบง่าย ปรับให้เข้ากับข้อมูล และทำการคาดการณ์ คุณจะได้เรียนรู้วิธีสร้างโมเดลที่มีอินพุตหลายตัวและเอาต์พุตเดียว รวมถึงการแชร์น้ำหนักระหว่างเลเยอร์ด้วย.
เครือข่ายหลายอินพุต
เมื่อคุณก้าวหน้าไป คุณจะได้สำรวจการสร้างเครือข่ายแบบสองอินพุตโดยใช้ categorical embeddings, shared layers และ merge layers นี่คือองค์ประกอบพื้นฐานสำหรับการออกแบบโครงข่ายประสาทเทียมที่มีการไหลของข้อมูลซับซ้อนโดยจะขยายแนวคิดเหล่านี้ไปสู่โมเดลที่มีอินพุตตั้งแต่สามตัวขึ้นไป ช่วยให้คุณเข้าใจพารามิเตอร์และโทโพโลยีของโครงข่ายประสาทเทียมของคุณได้ด้วยฟังก์ชัน summary และ plot ของ Keras.
เครือข่ายแบบหลายเอาต์พุต
ในแบบฝึกหัดเชิงโต้ตอบช่วงท้าย คุณจะได้ทำงานกับเครือข่ายแบบหลายเอาต์พุต ซึ่งสามารถแก้ปัญหาการถดถอยที่มีหลายเป้าหมาย และยังรองรับทั้งงานการถดถอยและการจำแนกประเภทได้พร้อมกันเมื่อจบหลักสูตรนี้ คุณจะมีประสบการณ์เชิงปฏิบัติกับเทคนิคดีปเลิร์นนิงขั้นสูง เพื่อยกระดับอาชีพของคุณในฐานะนักวิทยาศาสตร์ข้อมูล รวมถึงการประเมินโมเดลของคุณบนข้อมูลใหม่โดยใช้หลายเมตริก.
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
Keras Functional API
ในบทนี้ จะได้ทำความคุ้นเคยกับพื้นฐานของ Keras functional API โดยจะสร้างเครือข่าย functional แบบเรียบง่ายจาก building blocks เชิงฟังก์ชัน จากนั้น fit กับข้อมูลและทำการพยากรณ์
2
เครือข่าย 2 Input ด้วย Categorical Embeddings, Shared Layers และ Merge Layers
ในบทนี้ จะได้สร้างเครือข่ายที่รับ 2 input โดยใช้ categorical embeddings เพื่อแทนข้อมูลที่มีจำนวนหมวดหมู่สูง ใช้ shared layers เพื่อกำหนด building blocks ที่นำกลับมาใช้ซ้ำได้ และใช้ merge layers เพื่อรวม input หลายตัวให้เป็น output เดียว เมื่อจบบทนี้ จะมี building blocks พื้นฐานสำหรับออกแบบโครงข่ายประสาทเทียมที่มีการไหลของข้อมูลซับซ้อน
3
หลาย Input: 3 Input ขึ้นไป
ในบทนี้ จะได้ขยายโมเดลที่รับ 2 input ให้รับ 3 input และเรียนรู้วิธีใช้ฟังก์ชัน summary และ plot ของ Keras เพื่อทำความเข้าใจพารามิเตอร์และโทโพโลยีของโครงข่ายประสาทเทียม เมื่อจบบทนี้ จะเข้าใจวิธีขยายโมเดลจาก 2 input ไปสู่ 3 input และมากกว่านั้น
4
หลาย Output
ในบทนี้ จะได้สร้างโครงข่ายประสาทเทียมที่มีหลาย output ซึ่งนำไปใช้แก้ปัญหา regression ที่มีหลาย target ได้ นอกจากนี้ยังจะได้สร้างโมเดลที่แก้ปัญหา regression และ classification ไปพร้อมกันในโมเดลเดียว
Deep Learning ขั้นสูงด้วย Keras
เรียนคอร์สจบแล้ว
