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.

Introduction to deep learning

Comparing neural network models to classical regression models

Forward propagation

Coding the forward propagation algorithm

Activation functions

The Rectified Linear Activation Function

Applying the network to many observations/rows of data

Deeper networks

Forward propagation in a deeper network

Multi-layer neural networks

Representations are learned

Levels of representation

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.

Créer un modèle Keras

Comprendre vos données

Spécifier un modèle

Compiler et entraîner un modèle

Compiler le modèle

Entraîner le modèle

Modèles de classification

Comprendre vos données de classification

Dernières étapes des modèles de classification

Utiliser des modèles

Faire des prédictions

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

Le deep learning est la technique de Machine Learning derrière les avancées les plus enthousiasmantes dans des domaines variés comme la robotique, le traitement du langage naturel, la reconnaissance d’images et l’intelligence artificielle, y compris le célèbre AlphaGo. Dans ce cours, vous allez acquérir une expérience pratique et concrète de l’utilisation du deep learning avec Keras 2.0, la dernière version d’une bibliothèque de pointe pour le deep learning en Python.

<h2>Découvrez les applications du Deep Learning </h2>
L'apprentissage profond est la technique d'apprentissage automatique qui sous-tend les capacités les plus prometteuses en matière de robotique, de traitement du langage naturel, de reconnaissance d'images et d'intelligence artificielle. Au cours de cette formation de 4 heures, vous acquerrez des connaissances pratiques sur la manière d'appliquer vos compétences Python à l'apprentissage profond avec la bibliothèque Keras 2.0.
<br><br>
<h2>Découvrez les modèles Keras avec un contributeur de la bibliothèque</h2>
Enseigné par Dan Becker, ancien scientifique des données chez Google et contributeur Keras, ce cours sur l'apprentissage profond explore les modèles de réseaux neuronaux et la manière dont vous pouvez les utiliser pour générer des prédictions. Les premiers chapitres vous permettront de mieux comprendre la propagation avant et arrière, ainsi que leur fonctionnement dans la pratique.
<br><br>
La bibliothèque Keras est une bibliothèque Python qui peut vous aider à développer et à réviser des modèles d'apprentissage profond. À l'instar de nombreuses bibliothèques Python, elle est gratuite, open source et très conviviale. Vous commencerez par créer un modèle Keras et apprendrez à le compiler, l'ajuster et le classer avant de faire des prédictions. Une fois ce cours terminé, vous disposerez de tous les outils nécessaires pour créer des réseaux neuronaux profonds et commencer à expérimenter des réseaux plus vastes et plus complexes au fil du temps.
<br><br>
<h2>Approfondissez vos connaissances en matière de Deep Learning</h2>
Ce cours fait partie de plusieurs cursus consacrés au machine learning et au deep learning. Il vous offre un parcours clair pour développer vos compétences et votre expérience dans ce domaine une fois que vous avez terminé le cours d'introduction, que vous souhaitiez mener à bien un projet personnel ou vous orienter vers une carrière de scientifique en machine learning.

Supervised Learning with scikit-learn

Inscrivez-vous à notre cours Deep Learning avec Python pour le NLP, la reconnaissance d'images et l'IA.

Introduction au Deep Learning en Python

Initiez-vous aux réseaux neuronaux et créez vos premiers modèles avec Keras 2.0 en Python. 

Créer un modèle Keras

Create Your Free Account