Di bab ini, Anda akan memahami dasar-dasar Keras functional API. Anda akan membangun jaringan fungsional sederhana menggunakan komponen fungsional, memasangkannya ke data, dan melakukan prediksi.

Lapisan input dan dense di Keras

Lapisan input

Lapisan Dense

Lapisan keluaran

Membangun dan mengompilasi model

Bangun sebuah model

Kompilasi sebuah model

Visualisasikan sebuah model

Melatih dan mengevaluasi model

Latih model pada data turnamen bola basket

Evaluasi model pada himpunan uji

Keras Functional API

Di bab ini, Anda akan membangun jaringan dengan dua masukan yang menggunakan categorical embeddings untuk merepresentasikan data berkardinalitas tinggi, shared layers untuk menentukan blok bangunan yang dapat digunakan kembali, dan merge layers untuk menggabungkan banyak masukan menjadi satu keluaran. Pada akhir bab ini, Anda akan memiliki blok bangunan dasar untuk merancang neural network dengan aliran data yang kompleks.

Embedding kategori

Definisikan pencarian tim

Definisikan model tim

Lapisan berbagi pakai

Mendefinisikan dua input

Lookup kedua masukan dalam model yang sama

Lapisan penggabungan

Layer keluaran menggunakan layer bersama

Model dengan dua input dan satu output

Memprediksi dari model Anda

Latih model pada data pelatihan musim reguler

Evaluasi model pada data uji turnamen

Jaringan Dua Masukan dengan Categorical Embeddings, Shared Layers, dan Merge Layers

Di bab ini, Anda akan memperluas model 2 masukan menjadi 3 masukan, dan mempelajari cara menggunakan fungsi summary dan plot di Keras untuk memahami parameter dan topologi neural network Anda. Pada akhir bab, Anda akan memahami cara memperluas model 2 masukan menjadi 3 masukan dan seterusnya.

Model tiga masukan

Buat layer input untuk kandang vs tandang

Buat model dan kompilasi

Latih model dan evaluasi

Merangkum dan memplot model

Ringkasan model

Memplot model

Menumpuk model

Tambahkan prediksi model ke data turnamen

Buat lapisan input dengan beberapa kolom

Latih model

Evaluasi model

Banyak Masukan: 3 Masukan (dan Lebih Banyak Lagi!)

Di bab ini, Anda akan membangun neural network dengan banyak keluaran, yang dapat digunakan untuk menyelesaikan masalah regresi dengan banyak target. Anda juga akan membangun model yang menyelesaikan masalah regresi dan klasifikasi secara bersamaan.

Model dua keluaran

Model dua keluaran sederhana

Melatih model dengan dua keluaran

Inspeksi model (I)

Satu model untuk klasifikasi dan regresi

Klasifikasi dan regresi dalam satu model

Kompilasi dan latih model

Inspeksi model (II)

Evaluasi pada data baru dengan dua metrik

Ringkasan

Banyak Keluaran

Basketball models

Basketball data

Kursus ini menunjukkan cara menyelesaikan berbagai permasalahan menggunakan Keras functional API yang serbaguna. Anda akan mulai dengan jaringan dense berlapis sederhana (juga dikenal sebagai multi-layer perceptrons), lalu berlanjut ke arsitektur yang lebih rumit. Kursus ini akan membahas cara membangun model dengan beberapa masukan dan satu keluaran, serta cara berbagi bobot antar layer dalam sebuah model. Kami juga akan membahas topik lanjutan seperti category embeddings dan jaringan dengan banyak keluaran. Jika Anda pernah ingin melatih jaringan yang melakukan klasifikasi dan regresi sekaligus, maka kursus ini cocok untuk Anda!

<h2>API fungsional Keras</h2>
Dalam kursus ini, Anda akan mempelajari cara memecahkan masalah kompleks menggunakan Keras functional API. <br><br> Dimulai dengan pengantar, Anda akan membangun jaringan fungsional sederhana, menyesuaikannya dengan data, dan membuat prediksi. Anda juga akan mempelajari cara membangun model dengan beberapa input dan satu output serta berbagi bobot antar lapisan​​.<br><br>
<h2>Jaringan multi-input</h2>Seiring Anda berkembang, pelajari cara membangun jaringan dua input menggunakan embedding kategorikal, shared layer, dan merge layer. Ini adalah blok bangunan dasar untuk merancang neural network dengan alur data yang kompleks. <br><br> Ini memperluas konsep-konsep tersebut ke model dengan tiga atau lebih input, membantu Anda memahami parameter dan topologi jaringan saraf Anda menggunakan fungsi summary dan plot Keras​​.<br><br><h2>Jaringan multi-output</h2>Dalam latihan interaktif terakhir, Anda akan bekerja dengan jaringan multi-output, yang dapat menyelesaikan masalah regresi dengan beberapa target dan bahkan menangani tugas regresi dan klasifikasi secara bersamaan. <br><br> Pada akhir kursus ini, Anda akan memiliki pengalaman praktis dengan teknik deep learning tingkat lanjut untuk memajukan karier Anda sebagai data scientist, termasuk mengevaluasi model Anda pada data baru menggunakan berbagai metrik​. <br><br>

Ringkasan model

Deep Learning Tingkat Lanjut dengan Keras

Latihan interaktif langsung