In this chapter, you'll become familiar with the fundamental concepts and terminology used in deep learning, and understand why deep learning techniques are so powerful today. You'll build simple neural networks and generate predictions with them.

Einführung in Deep Learning

Vergleich von Modellen neuronaler Netze mit klassischen Regressionsmodellen

Forward Propagation

Forward Propagation programmieren

Aktivierungsfunktionen

Die Rectified Linear Activation Funktion

Anwendung des Netzwerks auf viele Beobachtungen/Datenzeilen

Vielschichtigere Netzwerke

Forward Propagation in einem tieferen Netzwerk

Mehrschichtige neuronale Netze

Repräsentationen werden gelernt

Repräsentationsebenen

Basics of deep learning and neural networks

Learn how to optimize the predictions generated by your neural networks. You'll use a method called backward propagation, which is one of the most important techniques in deep learning. Understanding how it works will give you a strong foundation to build on in the second half of the course.

The need for optimization

Calculating model errors

Understanding how weights change model accuracy

Coding how weight changes affect accuracy

Scaling up to multiple data points

Gradient descent

Calculating slopes

Improving model weights

Making multiple updates to weights

Backpropagation

The relationship between forward and backward propagation

Thinking about backward propagation

Backpropagation in practice

A round of backpropagation

Optimizing a neural network with backward propagation

In this chapter, you'll use the Keras library to build deep learning models for both regression and classification. You'll learn about the Specify-Compile-Fit workflow that you can use to make predictions, and by the end of the chapter, you'll have all the tools necessary to build deep neural networks.

Creating a Keras model

Understanding your data

Specifying a model

Compiling and fitting a model

Compiling the model

Fitting the model

Classification models

Understanding your classification data

Last steps in classification models

Using models

Making predictions

Building deep learning models with keras

Learn how to optimize your deep learning models in Keras. Start by learning how to validate your models, then understand the concept of model capacity, and finally, experiment with wider and deeper networks. 

Understanding model optimization

Diagnosing optimization problems

Changing optimization parameters

Model validation

Evaluating model accuracy on validation dataset

Early stopping: Optimizing the optimization

Experimenting with wider networks

Adding layers to a network

Thinking about model capacity

Experimenting with model structures

Stepping up to images

Building your own digit recognition model

Final thoughts

Fine-tuning keras models

Hourly wages

MNIST

Titanic

Deep Learning ist die Machine-Learning-Technik hinter den spannendsten Fähigkeiten in Bereichen wie Robotik, Natural Language Processing, Bilderkennung und Künstlicher Intelligenz – darunter auch das berühmte AlphaGo. In diesem Kurs lernst du praktisch, wie du Deep Learning mit Keras 2.0 einsetzt, der neuesten Version einer führenden Deep-Learning-Bibliothek für Python.

<h2>Entdecke Deep-Learning-Anwendungen </h2>
Deep Learning ist die Technik des maschinellen Lernens, die hinter den coolsten Funktionen in der Robotik, der Verarbeitung natürlicher Sprache, der Bilderkennung und der künstlichen Intelligenz steckt. In diesem 4-stündigen Kurs lernst du ganz praktisch, wie du deine Python-Kenntnisse mit der Keras 2.0-Bibliothek für Deep Learning einsetzen kannst.
<br><br>
<h2>Entdecke Keras-Modelle mit einem Bibliotheksmitwirkenden</h2>
Dieser Deep-Learning-Kurs wird von Dan Becker, einem ehemaligen Datenwissenschaftler bei Google und Mitwirkender an Keras, geleitet und beschäftigt sich mit neuronalen Netzmodellen und wie man damit Vorhersagen treffen kann. Die ersten Kapitel helfen dir, die Vorwärts- und Rückwärtsausbreitung besser zu verstehen und wie sie in der Praxis funktionieren.
<br><br>
Die Keras-Bibliothek ist eine Python-Bibliothek, die dir beim Entwickeln und Überprüfen von Deep-Learning-Modellen hilft. Wie viele Python-Bibliotheken ist es kostenlos, Open Source und echt benutzerfreundlich. Du startest mit dem Erstellen eines Keras-Modells und lernst, wie du es kompilierst, anpasst und klassifizierst, bevor du Vorhersagen machst. Wenn du diesen Kurs abgeschlossen hast, hast du alles, was du brauchst, um tiefe neuronale Netzwerke aufzubauen und mit der Zeit mit breiteren und tieferen Netzwerken zu experimentieren.
<br><br>
<h2>Tauche tiefer in Deep Learning ein</h2>
Dieser Kurs ist Teil mehrerer Lernpfade zu maschinellem Lernen und Deep Learning. Er bietet dir klare Wege, um deine Fähigkeiten und Erfahrungen in diesem Bereich auszubauen, sobald du den Einführungskurs abgeschlossen hast – egal, ob du ein persönliches Projekt abschließen oder eine Karriere als Machine Learning Scientist anstrebst.

Supervised Learning with scikit-learn

Melden Sie sich für unseren Deep Learning mit Python Kurs an und entdecken Sie Keras 2.0 für KI.

Einführung in Deep Learning mit Python

Lerne die Grundlagen neuronaler Netzwerke und wie du Deep-Learning-Modelle mit Keras 2.0 in Python erstellst. 

Vergleich von Modellen neuronaler Netze mit klassischen Regressionsmodellen

Einführung in Deep Learning mit Python

Interaktive Übung