V této kapitole se seznámíš se základními pojmy a principy deep learningu a pochopíš, proč jsou techniky deep learningu dnes tak výkonné. Sestavíš jednoduché neuronové sítě a naučíš se s nimi generovat předpovědi.

Úvod do deep learningu

Porovnání modelů neuronových sítí s klasickými regresními modely

Forward propagation

Implementace algoritmu dopředného šíření

Aktivační funkce

Aktivační funkce ReLU

Použití sítě na mnoho pozorování/řádků dat

Hlubší sítě

Forward propagation v hlubší síti

Vícevrstvé neuronové sítě

Reprezentace se učí

Úrovně reprezentace

Základy deep learningu a neuronových sítí

Nauč se optimalizovat předpovědi, které tvoje neuronové sítě generují. Použiješ k tomu metodu zpětného šíření (backpropagation) – jednu z nejdůležitějších technik v deep learningu. Porozumění tomu, jak funguje, ti dá pevný základ pro druhou polovinu kurzu.

Proč je optimalizace důležitá

Výpočet chyb modelu

Jak změny vah ovlivňují přesnost modelu

Přechod na více datových bodů

Gradientní sestup

Výpočet směrnic

Zlepšování vah modelu

Vícenásobné aktualizace vah

Backpropagation

Vztah mezi dopřednou a zpětnou propagací

Přemýšlíme nad zpětnou propagací

Backpropagation v praxi

Kolo zpětného šíření

Optimalizace neuronové sítě pomocí zpětného šíření

V této kapitole použiješ knihovnu Keras k sestavení modelů deep learningu pro regresi i klasifikaci. Naučíš se pracovat s postupem Specify-Compile-Fit, díky kterému budeš umět generovat předpovědi. Na konci kapitoly budeš mít všechny nástroje potřebné k budování hlubokých neuronových sítí.

Vytvoření modelu v Keras

Porozumění datům

Definování modelu

Kompilace a trénování modelu

Kompilace modelu

Trénování modelu

Klasifikační modely

Prozkoumání dat pro klasifikaci

Poslední kroky v klasifikačních modelech

Použití modelů

Tvorba predikcí

Tvorba modelů deep learningu v Kerasu

Nauč se optimalizovat své modely deep learningu v Kerasu. Začneš validací modelů, pak se zaměříš na kapacitu modelu a nakonec si vyzkoušíš práci s širšími a hlubšími sítěmi.

Optimalizace modelů

Diagnostika problémů s optimalizací

Změna parametrů optimalizace

Validace modelu

Vyhodnocení přesnosti modelu na validační sadě

Early stopping: optimalizace optimalizace

Experimenty se širšími sítěmi

Přidávání vrstev do sítě

Kapacita modelu

Experimentování se strukturami modelu

Přechod k obrázkům

Vytvoř vlastní model pro rozpoznávání číslic

Závěrečné myšlenky

Dolaďování modelů v Kerasu

Titanic

Hourly wages

MNIST

Deep learning je technika strojového učení, která stojí za nejzajímavějšími schopnostmi v oblastech, jako jsou robotika, zpracování přirozeného jazyka, rozpoznávání obrazu nebo umělá inteligence – včetně slavného AlphaGo. V tomto kurzu získáš praktické znalosti toho, jak používat deep learning s Keras 2.0, nejnovější verzí špičkové knihovny pro deep learning v Pythonu.

<h2>Objevte aplikace hlubokého učení </h2>
Hluboké učení je technika strojového učení, která stojí za těmi nejzajímavějšími možnostmi v robotice, zpracování přirozeného jazyka, rozpoznávání obrazu a umělé inteligenci. V tomto 4hodinovém kurzu získáš praktické znalosti, jak využít své dovednosti v Pythonu pro deep learning s knihovnou Keras 2.0.
<br><br>
<h2>Prozkoumejte modely Keras s přispěvatelem knihovny</h2>
Tento kurz deep learningu, vedený bývalým datovým vědcem Googlu a přispěvatelem do Kerasu Danem Beckerem, se věnuje modelům neuronových sítí a tomu, jak s jejich pomocí vytvářet predikce. První kapitoly prohloubí vaše porozumění jak dopředné, tak zpětné propagaci a tomu, jak fungují v praxi.
<br><br>
Knihovna Keras je knihovna v Pythonu, která vám může pomoci vyvíjet a vyhodnocovat modely hlubokého učení. Stejně jako mnoho knihoven Pythonu je zdarma, open-source a velmi uživatelsky přívětivá. Začnete vytvořením modelu Keras a naučíte se, jak jej zkompilovat, natrénovat a klasifikovat, než budete vytvářet předpovědi. Jakmile tento kurz dokončíte, budete mít všechny nástroje, které potřebujete k vytváření hlubokých neuronových sítí, a postupně můžete začít experimentovat s širšími a hlubšími sítěmi.
<br><br>
<h2>Ponořte se hlouběji do hlubokého učení</h2>
Tento kurz je součástí několika kurzů strojového učení a hlubokého učení a nabízí vám jasné cesty, jak si po absolvování úvodního kurzu rozvíjet své dovednosti a zkušenosti v této oblasti, ať už chcete dokončit osobní projekt, nebo se posunout směrem ke kariéře Machine Learning Scientist.

Supervised Learning with scikit-learn

Zapište se do kurzu Deep Learning s Pythonem a objevte NLP, rozpoznávání obrazu a AI s Keras 2.0.

Úvod do deep learningu v Pythonu

Naučte se základy neuronových sítí a jak vytvářet modely hlubokého učení pomocí Keras 2.0 v Pythonu. 

Porovnání modelů neuronových sítí s klasickými regresními modely

Úvod do deep learningu v Pythonu

Interaktivní praktické cvičení