Siapkan himpunan data Anda

Di konsol, Anda dapat memeriksa bahwa label Anda, darts.competitor, belum dalam format yang dapat dipahami oleh jaringan Anda. Label tersebut berisi nama peserta sebagai string. Pertama, Anda akan mengubah peserta ini menjadi angka unik, lalu menggunakan fungsi to_categorical() dari keras.utils untuk mengubah angka tersebut menjadi representasi one-hot encoding.

Ini berguna untuk masalah klasifikasi multi-kelas, karena ada sebanyak neuron keluaran dengan jumlah kelas, dan untuk setiap observasi dalam himpunan data kita, kita hanya menginginkan satu neuron yang aktif.

Himpunan data dart dimuat sebagai darts. Pandas telah diimpor sebagai pd. Mari siapkan himpunan data ini!

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Transform into a categorical variable
darts.competitor = pd.____(darts.competitor)

# Assign a number to each category (label encoding)
darts.competitor = darts.competitor.____.____ 

# Print the label encoded competitors
print('Label encoded competitors: \n',darts.competitor.head())

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Di bab pertama ini, Anda akan diperkenalkan pada jaringan saraf, memahami jenis masalah yang dapat diselesaikan, serta kapan harus menggunakannya. Anda juga akan membangun beberapa jaringan dan menyelamatkan bumi dengan melatih model regresi yang mendekati orbit meteorit yang sedang mendekati kita!

Exercise 1: Apa itu Keras?Exercise 2: Mendeskripsikan Keras Exercise 3: Apakah Anda akan menggunakan deep learning?Exercise 4: Jaringan saraf pertama Anda Exercise 5: Halo, nets!Exercise 6: Menghitung parameter Exercise 7: Bangun seperti pada gambar!Exercise 8: Bertahan dari hantaman meteor Exercise 9: Menentukan sebuah model Exercise 10: Pelatihan Exercise 11: Memprediksi orbit!

Pada akhir bab ini, Anda akan mengetahui cara menyelesaikan masalah biner, multikelas, dan multilabel dengan jaringan saraf. Semua ini dilakukan melalui pemecahan masalah seperti mendeteksi uang dolar palsu, menentukan siapa yang melempar dart mana ke papan, dan membangun sistem cerdas untuk menyiram lahan Anda. Anda juga akan dapat memplot metrik pelatihan model serta menghentikan pelatihan dan menyimpan model saat tidak ada peningkatan lagi.

Exercise 1: Klasifikasi biner Exercise 2: Mengeksplorasi lembar dolar Exercise 3: Model klasifikasi biner Exercise 4: Apakah lembar dolar ini palsu?Exercise 5: Klasifikasi multi-kelas Exercise 6: Model multi-kelas Exercise 7: Siapkan himpunan data Anda

Latihan Saat Ini

Exercise 8: Melatih pada pelempar dart Exercise 9: Prediksi softmax Exercise 10: Klasifikasi multi-label Exercise 11: Sebuah mesin irigasi Exercise 12: Pelatihan dengan banyak label Exercise 13: Keras callbacks Exercise 14: Callback history Exercise 15: Early stopping pada model Anda Exercise 16: Kombinasi callback

Pada bab-bab sebelumnya, Anda telah melatih banyak model! Sekarang Anda akan mempelajari cara menafsirkan kurva pembelajaran untuk memahami model saat dilatih. Anda juga akan memvisualisasikan efek fungsi aktivasi, ukuran batch, dan normalisasi batch. Terakhir, Anda akan mempelajari cara melakukan optimisasi hiperparameter otomatis pada model Keras menggunakan sklearn.

Exercise 1: Kurva pembelajaran Exercise 2: Mengenali digit Exercise 3: Apakah model overfitting?Exercise 4: Apakah kita memerlukan lebih banyak data?Exercise 5: Fungsi aktivasi Exercise 6: Fungsi aktivasi yang berbeda Exercise 7: Membandingkan fungsi aktivasi Exercise 8: Membandingkan fungsi aktivasi II Exercise 9: Ukuran batch dan normalisasi batch Exercise 10: Mengubah ukuran batch Exercise 11: Melakukan batch normalization pada model yang familier Exercise 12: Dampak batch normalization Exercise 13: Penyetelan hiperparameter Exercise 14: Menyiapkan model untuk penalaan Exercise 15: Menyetel parameter model Exercise 16: Pelatihan dengan validasi silang

Saatnya berkenalan dengan arsitektur yang lebih maju! Anda akan membuat autoencoder untuk merekonstruksi gambar yang bising, memvisualisasikan aktivasi convolutional neural network, menggunakan model deep yang telah dilatih sebelumnya untuk mengklasifikasikan gambar, dan mempelajari lebih lanjut tentang recurrent neural networks serta bekerja dengan teks saat Anda membangun jaringan yang memprediksi kata berikutnya dalam sebuah kalimat.

Exercise 1: Tensor, layer, dan autoencoder Exercise 2: Aliran tensor Exercise 3: Pemisahan neural Exercise 4: Membangun autoencoder Exercise 5: Menghilangkan derau seperti autoencoder Exercise 6: Pengantar CNN Exercise 7: Membangun model CNN Exercise 8: Melihat konvolusi Exercise 9: Menyiapkan gambar masukan Anda Exercise 10: Menggunakan model dunia nyata Exercise 11: Pengenalan LSTM Exercise 12: Prediksi teks dengan LSTM Exercise 13: Bangun model LSTM Anda Exercise 14: Dekode prediksi Anda Exercise 15: Uji model Anda!Exercise 16: Selesai!