Apprenez à utiliser les réseaux neuronaux convolutifs en Python

Le modèle d'image nécessite souvent des méthodes d'apprentissage profond qui utilisent des données pour entraîner des réseaux neuronaux. algorithmes de réseau pour effectuer diverses tâches d'apprentissage automatique. Réseau neuronal convolutif Les réseaux neuronaux convolutifs (CNN) sont des réseaux neuronaux particulièrement puissants que vous utiliserez pour classer différents types d'objets pour l'analyse d'images. Ce cours de quatre heures Ce cours vous apprendra à construire, entraîner et évaluer des CNN à l'aide de Keras.

Transformer des images en données et enseigner aux réseaux neuronaux à les classer est un processus complexe. Élément complexe de l'apprentissage profond avec de nombreuses applications dans tous les domaines. activités commerciales et de recherche, en aidant un site de commerce électronique à gérer ses stocks de manière plus faciliter le travail des chercheurs en cancérologie afin qu'ils puissent détecter rapidement les mélanomes dangereux.

Découvrez les CNN Keras

Le premier chapitre de ce cours explique comment les images peuvent être considérées comme des données, et comment utiliser Keras pour entraîner un réseau neuronal à classer des objets trouvés dans images.

Le deuxième chapitre abordera les convolutions, un élément fondamental des CNN. Vous Découvrez comment ils fonctionnent sur les données d'image et apprenez à former et à ajuster votre Keras CNN utilisant des données de test. Les chapitres suivants fournissent davantage de détails et vous enseignent Comment créer un réseau d'apprentissage profond.

Construisez votre propre réseau neuronal Keras

Vous terminerez le cours en découvrant les différentes façons de suivre vos progrès. Comment CNN se comporte et comment vous pouvez améliorer ses performances. À ce stade, vous serez en mesure de créer des réseaux neuronaux Keras, de les optimiser et de les visualiser. leurs réponses dans une gamme d'applications.

Calculez la taille de la sortie de la couche convolutive.

Modélisation d'images avec Keras

Exercice interactif pratique