V této kapitole se seznámíš se základy funkcionálního API Kerasu. Sestavíš jednoduchou funkcionální síť pomocí funkcionálních stavebních bloků, natrénuješ ji na datech a použiješ ji k předpovědím.

Vstupní a husté vrstvy v Kerasu

Vstupní vrstvy

Husté vrstvy

Výstupní vrstvy

Sestavení a kompilace modelu

Sestavení modelu

Kompilace modelu

Vizualizace modelu

Trénování a vyhodnocení modelu

Natrénuj model na basketbalových turnajových datech

Vyhodnocení modelu na testovací sadě

Funkcionální API Kerasu

V této kapitole sestavíš sítě se dvěma vstupy, které využívají kategoriální embeddingy pro reprezentaci dat s vysokou kardinalitou, sdílené vrstvy jako znovupoužitelné stavební bloky a sloučovací vrstvy pro spojení více vstupů do jediného výstupu. Na konci kapitoly budeš mít pevné základy pro navrhování neuronových sítí se složitým tokem dat.

Kategoriální embeddingy

Definování vyhledávání týmů

Definuj model týmu

Sdílené vrstvy

Definování dvou vstupů

Vyhledej oba vstupy ve stejném modelu

Merge vrstvy

Výstupní vrstva využívající sdílenou vrstvu

Model se dvěma vstupy a jedním výstupem

Předpovědi z tvého modelu

Natrénuj model na trénovacích datech základní části sezóny

Vyhodnoť model na testovacích datech z turnaje

Sítě se dvěma vstupy: kategoriální embeddingy, sdílené vrstvy a sloučovací vrstvy

V této kapitole rozšíříš svůj model se 2 vstupy na 3 vstupy a naučíš se používat funkce summary a plot v Kerasu, které ti pomohou porozumět parametrům a topologii neuronových sítí. Na konci kapitoly budeš vědět, jak rozšířit model se 2 vstupy na 3 vstupy a více.

Modely se třemi vstupy

Vytvoř vstupní vrstvu pro domácí a hostující tým

Vytvoř model a zkompiluj ho

Shrnutí a vizualizace modelů

Shrnutí modelu

Vizualizace modelů

Skládání modelů

Přidání predikcí modelu k datům turnaje

Vytvoření vstupní vrstvy s více sloupci

Natrénování modelu

Vyhodnoť model

Více vstupů: 3 vstupy a více

V této kapitole sestavíš neuronové sítě s více výstupy, které lze využít k řešení regresních úloh s více cílovými proměnnými. Také vytvoříš model, který zároveň řeší regresní i klasifikační úlohu.

Modely se dvěma výstupy

Jednoduchý model se dvěma výstupy

Natrénuj model se dvěma výstupy

Prozkoumání modelu (I)

Vyhodnocení modelu

Jeden model pro klasifikaci i regresi

Klasifikace a regrese v jednom modelu

Kompilace a trénování modelu

Prozkoumej model (II)

Vyhodnocení na nových datech pomocí dvou metrik

Závěr

Více výstupů

Basketball models

Basketball data

Tento kurz ti ukáže, jak řešit různé úlohy pomocí flexibilního funkcionálního API Kerasu. Začneš s jednoduchými vícevrstvými hustými sítěmi (známými také jako vícevrstvé perceptrony) a postupně přejdeš ke složitějším architekturám. Naučíš se vytvářet modely s více vstupy a jediným výstupem i sdílet váhy mezi vrstvami modelu. Pokryjeme také pokročilá témata, jako jsou kategoriální embeddingsy a sítě s více výstupy. Pokud sis kdy přál/a trénovat síť, která zvládá klasifikaci i regresi zároveň, tento kurz je přesně pro tebe!

<h2>Funkční API Keras</h2>
V tomto kurzu se naučíte, jak řešit složité problémy pomocí funkčního API Keras. <br><br> Začnete úvodem, poté budete vytvářet jednoduché funkční sítě, přizpůsobovat je datům a vytvářet předpovědi. Naučíte se také, jak vytvářet modely s více vstupy a jedním výstupem a sdílet váhy mezi vrstvami​​.<br><br>
<h2>Vícevstupové sítě</h2>Jak budete postupovat dál, prozkoumejte tvorbu dvouvstupových sítí pomocí kategoriálních embeddingů, sdílených vrstev a slučovacích vrstev. Toto jsou základní stavební kameny pro návrh neuronových sítí se složitými datovými toky. <br><br> Rozšiřuje tyto koncepty na modely se třemi a více vstupy a pomáhá vám porozumět parametrům a topologii vašich neuronových sítí pomocí funkcí summary a plot v Kerasu​​.<br><br><h2>Vícevýstupové sítě</h2>V závěrečných interaktivních cvičeních budete pracovat s vícevýstupovými sítěmi, které dokážou řešit regresní úlohy s více cíli a dokonce současně zvládnou regresi i klasifikaci. <br><br> Na konci kurzu budete mít praktické zkušenosti s pokročilými technikami hlubokého učení, které vám pomohou posunout vaši kariéru datového vědce, včetně vyhodnocování modelů na nových datech pomocí více metrik​. <br><br>

Závěr

Create Your Free Account