Pada bab ini, Anda akan mengenal konsep dan terminologi mendasar yang digunakan dalam deep learning, serta memahami mengapa teknik deep learning sangat kuat saat ini. Anda akan membangun neural network sederhana dan menghasilkan prediksi dengannya.

Pendahuluan ke deep learning

Membandingkan model jaringan saraf dengan model regresi klasik

Propagasi maju

Mengkoding algoritma forward propagation

Fungsi aktivasi

Fungsi Aktivasi Linear Terkoreksi

Menerapkan jaringan pada banyak observasi/baris data

Jaringan yang lebih dalam

Propagasi maju dalam jaringan yang lebih dalam

Jaringan saraf berlapis banyak

Representasi dipelajari

Tingkat representasi

Dasar-dasar deep learning dan neural network

Pelajari cara mengoptimalkan prediksi yang dihasilkan oleh neural network Anda. Anda akan menggunakan metode yang disebut backward propagation, salah satu teknik terpenting dalam deep learning. Memahami cara kerjanya akan memberi Anda landasan yang kuat untuk dibangun pada paruh kedua kursus.

Kebutuhan akan optimisasi

Menghitung galat model

Memahami bagaimana bobot memengaruhi akurasi model

Ngoding dampak perubahan bobot terhadap akurasi

Skalakan ke banyak titik data

Penurunan gradien

Menghitung kemiringan (slope)

Meningkatkan bobot model

Melakukan beberapa pembaruan pada bobot

Backpropagation

Hubungan antara propagasi maju dan mundur

Memikirkan backward propagation

Backpropagation dalam praktik

Satu putaran backpropagation

Mengoptimalkan neural network dengan backward propagation

Pada bab ini, Anda akan menggunakan pustaka Keras untuk membangun model deep learning untuk regresi dan klasifikasi. Anda akan mempelajari alur kerja Specify-Compile-Fit yang dapat digunakan untuk membuat prediksi, dan pada akhir bab, Anda akan memiliki semua alat yang diperlukan untuk membangun deep neural network.

Membuat model Keras

Memahami data Anda

Menentukan sebuah model

Mengompilasi dan melatih model

Mengompilasi model

Melatih model

Model klasifikasi

Memahami data klasifikasi Anda

Langkah terakhir pada model klasifikasi

Menggunakan model

Membuat prediksi

Membangun model deep learning dengan Keras

Pelajari cara mengoptimalkan model deep learning Anda di Keras. Mulailah dengan mempelajari cara memvalidasi model, kemudian pahami konsep kapasitas model, dan akhirnya, bereksperimen dengan arsitektur yang lebih lebar dan lebih dalam.

Memahami optimisasi model

Mendiagnosis masalah optimasi

Mengubah parameter optimisasi

Validasi model

Mengevaluasi akurasi model pada himpunan data validasi

Early stopping: Mengoptimalkan proses optimisasi

Mencoba jaringan yang lebih lebar

Menambahkan lapisan ke jaringan

Memahami kapasitas model

Mencoba berbagai struktur model

Melangkah ke pemrosesan citra

Membangun model pengenalan digit Anda sendiri

Pemikiran akhir

Menyetel model Keras secara optimal

Hourly wages

MNIST

Titanic

Deep learning adalah teknik Machine Learning di balik berbagai kemampuan paling menarik di bidang seperti robotika, pemrosesan bahasa alami, pengenalan gambar, dan kecerdasan buatan, termasuk AlphaGo yang terkenal. Dalam kursus ini, Anda akan memperoleh pengetahuan praktis langsung tentang cara menggunakan deep learning dengan Keras 2.0, versi terbaru dari pustaka mutakhir untuk deep learning di Python.

<h2>Jelajahi Aplikasi Deep Learning </h2>
Deep learning adalah teknik machine learning yang mendasari kemampuan-kemampuan paling menarik dalam robotika, pemrosesan bahasa alami, pengenalan gambar, dan kecerdasan buatan. Dalam kursus berdurasi 4 jam ini, Anda akan memperoleh pengetahuan praktis yang langsung dapat diterapkan tentang cara menggunakan keterampilan Python Anda dalam deep learning menggunakan perpustakaan Keras 2.0.
<br><br>
<h2>Jelajahi Model Keras dengan Kontributor Perpustakaan</h2>
Dibimbing oleh mantan ilmuwan data Google dan kontributor Keras, Dan Becker, kursus deep learning ini mengeksplorasi model jaringan saraf dan cara Anda dapat menghasilkan prediksi menggunakan model tersebut. Bab-bab awal akan memperluas pemahaman Anda tentang propagasi maju dan mundur serta bagaimana keduanya bekerja dalam praktiknya.
<br><br>
Perpustakaan Keras adalah perpustakaan Python yang dapat membantu Anda mengembangkan dan mengevaluasi model pembelajaran mendalam. Seperti banyak perpustakaan Python lainnya, perpustakaan ini gratis, sumber terbuka, dan sangat ramah pengguna. Anda akan memulai dengan membuat model Keras dan akan belajar cara mengompilasi, melatih, dan mengklasifikasikannya sebelum melakukan prediksi. Setelah Anda menyelesaikan kursus ini, Anda akan memiliki semua alat yang diperlukan untuk membangun jaringan saraf dalam dan mulai bereksperimen dengan jaringan yang lebih lebar dan lebih dalam seiring waktu.
<br><br>
<h2>Menyelami Lebih Dalam tentang Deep Learning</h2>
Kursus ini merupakan bagian dari beberapa program pembelajaran mesin dan pembelajaran mendalam, yang menawarkan jalur yang jelas bagi Anda untuk mengembangkan keterampilan dan pengalaman di bidang ini setelah menyelesaikan kursus pengantar, baik Anda ingin menyelesaikan proyek pribadi atau mengejar karir sebagai Ilmuwan Pembelajaran Mesin.

Supervised Learning with scikit-learn

Daftar kursus Deep Learning dengan Python. Pelajari NLP, pengenalan gambar, dan AI dengan Keras 2.0.

Pengantar Deep Learning dengan Python

Pelajari dasar-dasar jaringan saraf tiruan dan cara membangun model pembelajaran mendalam menggunakan Keras 2.0 dalam Python. 

Membandingkan model jaringan saraf dengan model regresi klasik

Pengantar Deep Learning dengan Python

Latihan interaktif langsung