In questo capitolo prenderai confidenza con le basi della Keras Functional API. Costruirai una semplice rete funzionale usando i suoi blocchi costruttivi, la adatterai ai dati e farai previsioni.

Layer di input e dense in Keras

Livelli di input

Livelli densi

Livelli di output

Crea e compila un modello

Crea un modello

Compila un modello

Visualizza un modello

Addestra e valuta un modello

Addestra il modello sui dati del torneo di basket

Valuta il modello su un set di test

La Keras Functional API

In questo capitolo costruirai reti a due ingressi che usano categorical embeddings per rappresentare dati ad alta cardinalità, livelli condivisi per definire blocchi riutilizzabili e livelli di merge per unire ingressi multipli in un’unica uscita. Alla fine del capitolo avrai i blocchi fondamentali per progettare reti neurali con flussi di dati complessi.

Embedding di categorie

Definisci il lookup delle squadre

Definisci il modello del team

Layer condivisi

Definire due input

Cerca entrambi gli input nello stesso modello

Layer di merge

Layer di output usando un layer condiviso

Modello con due input e un output

Prevedi dal tuo modello

Addestra il modello sui dati di regular season

Valuta il modello sui dati di test del torneo

Reti a due ingressi con categorical embeddings, livelli condivisi e livelli di merge

In questo capitolo estenderai il tuo modello con 2 input a 3 input e imparerai a usare le funzioni summary e plot di Keras per capire i parametri e la topologia delle tue reti neurali. Alla fine del capitolo saprai come estendere un modello a 2 input a 3 input e oltre.

Modelli a tre input

Crea un livello di input per casa vs trasferta

Crea un modello e compilarlo

Addestra il modello e valuta

Riepilogare e rappresentare i modelli

Riepilogo del modello

Tracciare i modelli

Sovrapporre i modelli

Aggiungi le previsioni del modello ai dati del torneo

Crea un livello di input con più colonne

Addestra il modello

Valuta il modello

Ingressi multipli: 3 input (e oltre!)

In questo capitolo costruirai reti neurali con uscite multiple, utili per risolvere problemi di regressione con più target. Costruirai anche un modello che risolve contemporaneamente un problema di regressione e uno di classificazione.

Modelli a due uscite

Modello semplice a due output

Allena un modello con due output

Ispeziona il modello (I)

Un unico modello per classificazione e regressione

Classificazione e regressione in un unico modello

Compila e addestra il modello

Ispeziona il modello (II)

Valuta su nuovi dati con due metriche

Riepilogo

Uscite multiple

Basketball models

Basketball data

Questo corso ti mostra come risolvere una varietà di problemi usando la versatile Keras Functional API. Inizierai con semplici reti dense multistrato (note anche come percettroni multistrato) e passerai a architetture più complesse. Il corso coprirà come costruire modelli con ingressi multipli e un’unica uscita, oltre a come condividere i pesi tra livelli nello stesso modello. Tratteremo anche argomenti avanzati come category embeddings e reti con uscite multiple. Se hai mai voluto addestrare una rete che faccia sia classificazione sia regressione, questo corso fa per te!

<h2>API funzionale Keras</h2>
In questo corso imparerai come risolvere problemi complicati usando l'API funzionale Keras. <br><br> Partendo da un'introduzione, creerai reti semplici e funzionali, le adatterai ai dati e farai delle previsioni. Imparerai anche a costruire modelli con più input e un solo output e a condividere i pesi tra i livelli.​.<br><br>
<h2>Reti a ingressi multipli</h2>Man mano che vai avanti, prova a costruire reti a due ingressi usando incorporamenti categoriali, livelli condivisi e livelli di unione. Questi sono gli elementi fondamentali per progettare reti neurali con flussi di dati complessi. <br><br> Estende questi concetti a modelli con tre o più input, aiutandoti a capire i parametri e la struttura delle tue reti neurali usando le funzioni di riepilogo e grafico di Keras.​.<br><br><h2>Reti a uscite multiple</h2>Negli esercizi interattivi finali, lavorerai con reti a output multipli, che possono risolvere problemi di regressione con più obiettivi e persino gestire contemporaneamente compiti di regressione e classificazione. <br><br> Alla fine del corso, avrai fatto pratica con tecniche avanzate di deep learning per far crescere la tua carriera come data scientist, come valutare i tuoi modelli su nuovi dati usando più metriche.. <br><br>

Riepilogo

Create Your Free Account