Schau dir das Modell an (II)

Jetzt solltest du dir mal die Gewichte für dieses Modell anschauen. Achte besonders auf das letzte Gewicht des Modells. Dieses Gewicht wandelt die vorhergesagte Punktedifferenz in eine vorhergesagte Gewinnwahrscheinlichkeit um. Wenn du die vorhergesagte Punktedifferenz mit dem letzten Gewicht des Modells multiplizierst und dann die Sigmoid-Funktion anwendest, bekommst du die Gewinnwahrscheinlichkeit des Spiels.

Diese Übung ist Teil des Kurses

<Kurs>Fortgeschrittenes Deep Learning mit Keras</Kurs>

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Print the model weights
print(____)

# Print the training data means
print(____)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Fortgeschrittenes Deep Learning mit Keras</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

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.

Exercise 1: Keras input and dense layers Exercise 2: Input layers Exercise 3: Dense layers Exercise 4: Output layers Exercise 5: Build and compile a model Exercise 6: Build a model Exercise 7: Compile a model Exercise 8: Visualize a model Exercise 9: Fit and evaluate a model Exercise 10: Fit the model to the tournament basketball data Exercise 11: Evaluate the model on a test set

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.

Exercise 1: Category embeddings Exercise 2: Define team lookup Exercise 3: Define team model Exercise 4: Shared layers Exercise 5: Defining two inputs Exercise 6: Lookup both inputs in the same model Exercise 7: Merge layers Exercise 8: Output layer using shared layer Exercise 9: Model using two inputs and one output Exercise 10: Predict from your model Exercise 11: Fit the model to the regular season training data Exercise 12: Evaluate the model on the tournament test data

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.

Exercise 1: Three-input models Exercise 2: Make an input layer for home vs. away Exercise 3: Make a model and compile it Exercise 4: Fit the model and evaluate Exercise 5: Summarizing and plotting models Exercise 6: Model summaries Exercise 7: Plotting models Exercise 8: Stacking models Exercise 9: Add the model predictions to the tournament data Exercise 10: Create an input layer with multiple columns Exercise 11: Fit the model Exercise 12: Evaluate the model

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.

Exercise 1: Modelle mit zwei Ausgängen Exercise 2: Einfaches Modell mit zwei Ausgängen Exercise 3: Ein Modell mit zwei Ausgängen anpassen Exercise 4: Schau dir das Modell an (I)Exercise 5: Das Modell bewerten Exercise 6: Ein einziges Modell für Klassifizierung und Regression Exercise 7: Klassifizierung und Regression in einem Modell Exercise 8: Modell zusammenstellen und anpassen Exercise 9: Schau dir das Modell an (II)

Aktuelle Übung

Exercise 10: Neue Daten anhand von zwei Kennzahlen bewerten Exercise 11: Zusammenfassung