In diesem Kapitel lernst du die Grundlagen der funktionalen API von Keras kennen.  Du baust ein einfaches funktionierendes Netzwerk mit funktionalen Bausteinen, passt es an Daten an und machst Vorhersagen.

Keras-Eingabe- und Dense-Schichten

Eingabeschichten

Dichte Schichten

Ausgabeschichten

Modell erstellen und kompilieren

Modell erstellen

Modell zusammenstellen

Ein Modell vorstellen

Ein Modell anpassen und bewerten

Passe das Modell an die Basketball-Turnierdaten an.

Das Modell anhand eines Testsatzes bewerten

Die funktionale API von Keras

In diesem Kapitel baust du Netzwerke mit zwei Eingängen, die kategoriale Einbettungen verwenden, um Daten mit hoher Kardinalität darzustellen, gemeinsame Schichten, um wiederverwendbare Bausteine festzulegen, und Merge-Schichten, um mehrere Eingaben zu einer einzigen Ausgabe zusammenzufügen. Am Ende dieses Kapitels hast du die Grundlagen für das Design von neuronalen Netzen mit komplexen Datenflüssen drauf.

Kategorie-Einbettungen

Team-Suche definieren

Team-Modell festlegen

Gemeinsame Ebenen

Zwei Eingaben festlegen

Such beide Eingaben im selben Modell

Ebenen zusammenführen

Ausgabeschicht mit gemeinsamer Schicht

Modell mit zwei Eingaben und einer Ausgabe

Sag es mit deinem Modell voraus

Passe das Modell an die Trainingsdaten der regulären Saison an.

Das Modell anhand der Turnier-Testdaten bewerten

Zwei Eingangsnetzwerke mit kategorialen Einbettungen, gemeinsamen Schichten und Merge-Schichten

In diesem Kapitel erweiterst du dein Modell mit zwei Eingängen auf drei Eingänge und lernst, wie du die Funktionen „summary“ und „plot“ von Keras nutzen kannst, um die Parameter und die Topologie deiner neuronalen Netze zu verstehen. Am Ende des Kapitels wirst du wissen, wie man ein Modell mit zwei Eingängen auf drei Eingänge und mehr erweitert.

Modelle mit drei Eingängen

Erstell 'ne Eingabeeinheit für Heim- und Auswärtsspiele.

Mach ein Modell und kompiliere es

Pass das Modell an und schau, wie es funktioniert

Modelle zusammenfassen und grafisch darstellen

Modellzusammenfassungen

Modelle zeichnen

Modelle stapeln

Füge die Modellvorhersagen zu den Turnierdaten hinzu.

Erstell eine Eingabeschicht mit mehreren Spalten

Das Modell anpassen

Das Modell bewerten

Mehrere Eingänge: 3 Eingänge (und mehr!)

In diesem Kapitel baust du neuronale Netze mit mehreren Ausgängen, die du zum Lösen von Regressionsproblemen mit mehreren Zielen verwenden kannst.  Außerdem erstellst du ein Modell, das gleichzeitig ein Regressionsproblem und ein Klassifizierungsproblem löst.

Modelle mit zwei Ausgängen

Einfaches Modell mit zwei Ausgängen

Ein Modell mit zwei Ausgängen anpassen

Schau dir das Modell an (I)

Ein einziges Modell für Klassifizierung und Regression

Klassifizierung und Regression in einem Modell

Modell zusammenstellen und anpassen

Schau dir das Modell an (II)

Neue Daten anhand von zwei Kennzahlen bewerten

Zusammenfassung

Mehrere Ausgänge

Basketball data

Basketball models

In diesem Kurs lernst du, wie du mit der vielseitigen funktionalen API von Keras verschiedene Probleme lösen kannst. Du fängst mit einfachen, mehrschichtigen dichten Netzwerken (auch als mehrschichtige Perzeptrons bekannt) an und machst dann mit komplizierteren Architekturen weiter. In diesem Kurs lernst du, wie du Modelle mit mehreren Eingaben und einer einzigen Ausgabe erstellst und wie du Gewichte zwischen den Schichten eines Modells teilst. Wir werden auch fortgeschrittene Themen wie Kategorie-Einbettungen und Netzwerke mit mehreren Ausgängen behandeln. Wenn du schon immer mal ein Netzwerk trainieren wolltest, das sowohl Klassifizierung als auch Regression kann, dann ist dieser Kurs genau das Richtige für dich!

<h2>Funktionale API von Keras</h2>
In diesem Kurs lernst du, wie du mit der funktionalen API von Keras komplexe Probleme lösen kannst. <br><br> Nach einer Einführung baust du einfache funktionierende Netzwerke auf, passt sie an Daten an und machst Vorhersagen. Außerdem lernst du, wie du Modelle mit mehreren Eingaben und einer einzigen Ausgabe erstellst und Gewichte zwischen Schichten teilst.​.<br><br>
<h2>Mehrfach-Eingangs-Netzwerke</h2>Im weiteren Verlauf kannst du dich mit dem Aufbau von Netzwerken mit zwei Eingängen beschäftigen, indem du kategoriale Einbettungen, gemeinsame Schichten und Merge-Schichten verwendest. Das sind die grundlegenden Bausteine für die Gestaltung von neuronalen Netzen mit komplexen Datenflüssen. <br><br> Es erweitert diese Konzepte auf Modelle mit drei oder mehr Eingaben und hilft dir, die Parameter und die Topologie deiner neuronalen Netze mithilfe der Zusammenfassungs- und Plotfunktionen von Keras zu verstehen.​.<br><br><h2>Mehrfachausgangsnetzwerke</h2>In den letzten interaktiven Übungen wirst du mit Netzwerken mit mehreren Ausgängen arbeiten, die Regressionsprobleme mit mehreren Zielen lösen und sogar Regressions- und Klassifizierungsaufgaben gleichzeitig bewältigen können. <br><br> Am Ende des Kurses hast du praktische Erfahrung mit fortgeschrittenen Deep-Learning-Techniken, um deine Karriere als Datenwissenschaftler voranzutreiben, einschließlich der Bewertung deiner Modelle anhand neuer Daten unter Verwendung mehrerer Metriken.. <br><br>

Ein einziges Modell für Klassifizierung und Regression

Create Your Free Account