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.

Creating a Keras model

Understanding your data

Specifying a model

Compiling and fitting a model

Compiling the model

Fitting the model

Classification models

Understanding your classification data

Last steps in classification models

Using models

Making predictions

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. 

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

Stepping up to images

Membangun model pengenalan digit Anda sendiri

Pemikiran akhir

Fine-tuning keras models

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

Pelajari cara menggunakan deep learning untuk NLP, pengenalan gambar, dan AI dengan Keras 2.0 di Python.

Pengantar Deep Learning dengan Python

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

Mendiagnosis masalah optimasi

Pengantar Deep Learning dengan Python

Latihan interaktif praktis