Convolutional neural networks use the data that is represented in images to learn. In this chapter, we will probe data in images, and we will learn how to use Keras to train a neural network to classify objects that appear in images. 

Introducing convolutional neural networks

Images as data: visualizations

Images as data: changing images

Classifying images

Using one-hot encoding to represent images

Evaluating a classifier

Classification with Keras

Build a neural network

Compile a neural network

Fitting a neural network model to clothing data

Cross-validation for neural network evaluation

Image Processing With Neural Networks

Convolutions are the fundamental building blocks of convolutional neural networks. In this chapter, you will be introducted to convolutions and learn how they operate on image data. You will also see how you incorporate convolutions into Keras neural networks. 

Convolutions

One dimensional convolutions

Image convolutions

Defining image convolution kernels

Implementing image convolutions in Keras

Convolutional network for image classification

Training a CNN to classify clothing types

Evaluating a CNN with test data

Tweaking your convolutions

Add padding to a CNN

Add strides to a convolutional network

Calculate the size of convolutional layer output

Using Convolutions

Convolutional neural networks gain a lot of power when they are constructed with multiple layers (deep networks). In this chapter, you will learn how to stack multiple convolutional layers into a deep network. You will also learn how to keep track of the number of parameters, as the network grows, and how to control this number.

Going deeper

Creating a deep learning network

Train a deep CNN to classify clothing images

What is special about a deep network?

How many parameters?

How many parameters in a CNN?

How many parameters in a deep CNN?

Pooling operations

Write your own pooling operation

Keras pooling layers

Train a deep CNN with pooling to classify images

Going Deeper

There are many ways to improve training by neural networks. In this chapter, we will focus on our ability to track how well a network is doing, and explore approaches towards improving convolutional neural networks.

Melacak pembelajaran

Plot kurva pembelajaran

Menggunakan bobot tersimpan untuk memprediksi pada himpunan uji

Regularisasi

Menambahkan dropout ke jaringan Anda

Tambahkan batch normalization ke jaringan Anda

Menafsirkan model

Mengekstrak kernel dari jaringan terlatih

Bentuk bobot

Memvisualisasikan respons kernel

Langkah selanjutnya

Understanding and Improving Deep Convolutional Networks

Pemodelan citra sering memerlukan metode deep learning yang memanfaatkan data untuk melatih algoritma jaringan saraf bagi berbagai tugas Machine Learning. Convolutional Neural Networks (CNN) adalah jenis jaringan saraf yang sangat kuat, yang akan Anda gunakan untuk mengklasifikasikan berbagai jenis objek dalam analisis citra. Kursus berdurasi empat jam ini akan mengajarkan Anda cara membangun, melatih, dan mengevaluasi CNN menggunakan Keras.

<h2>Belajar Menggunakan Jaringan Saraf Konvolusional (Convolutional Neural Networks) dalam Python</h2>

  Model gambar seringkali memerlukan metode pembelajaran mendalam yang menggunakan data untuk melatih jaringan saraf.

  Algoritma jaringan untuk melakukan berbagai tugas pembelajaran mesin. Jaringan saraf konvolusional

  Jaringan saraf tiruan (CNNs) adalah jenis jaringan saraf tiruan yang sangat kuat yang akan Anda gunakan untuk

  Mengklasifikasikan berbagai jenis objek untuk analisis gambar. Ini empat jam

  Kursus ini akan mengajarkan Anda cara membangun, melatih, dan mengevaluasi Jaringan Saraf Konvolusional (CNN) menggunakan Keras.

  <br><br>

  Mengubah gambar menjadi data dan mengajarkan jaringan saraf tiruan untuk mengklasifikasikannya adalah sebuah

  Elemen menantang dalam deep learning dengan aplikasi yang luas di berbagai bidang.

  Bisnis dan penelitian, mulai dari membantu situs eCommerce mengelola persediaan dengan lebih efisien.

  Memudahkan para peneliti kanker untuk dengan cepat mendeteksi melanoma yang berbahaya.

  <br><br>

  <h2>Discover Keras CNNs</h2>

  Bab pertama dari kursus ini membahas bagaimana gambar dapat dianggap sebagai data, dan

  Bagaimana Anda dapat menggunakan Keras untuk melatih jaringan saraf tiruan guna mengklasifikasikan objek yang ditemukan dalam

  gambar.

  <br><br>

  Bab kedua akan membahas konvolusi, bagian fundamental dari CNN. Anda akan

  Pelajari cara mereka mengolah data gambar dan pelajari cara melatih dan menyesuaikan model Anda.

  Melatih CNN menggunakan data uji. Bab-bab selanjutnya akan membahas lebih detail dan mengajarkan Anda

  Cara membuat jaringan deep learning.

  <br><br>

  <h2>Bangun Jaringan Saraf Tiruan Keras Anda Sendiri</h2>

  Anda akan menyelesaikan kursus ini dengan mempelajari berbagai cara untuk melacak bagaimana

  Bagaimana kinerja CNN dan bagaimana Anda dapat meningkatkan kinerjanya. Pada tahap ini,

  Anda akan dapat membangun jaringan saraf Keras, mengoptimalkannya, dan memvisualisasikannya.

  tanggapan mereka dalam berbagai aplikasi.

Introduction to Deep Learning with Keras

Pelajari penggunaan deep learning untuk analisis gambar dengan Keras dan Python melalui CNN.

Pemodelan Citra dengan Keras

Pelajari cara melakukan analisis gambar menggunakan Keras dengan Python dengan membangun, melatih, dan mengevaluasi jaringan saraf konvolusional. 

Pemrosesan Gambar dalam Python

Dasar-Dasar Keras

Bentuk bobot

Pemodelan Citra dengan Keras

Latihan interaktif praktis