sigmoid()、tanh()、ReLU()、leaky_ReLU() 関数は定義済みで、すぐに使えます。各関数は入力値 X を受け取り、対応する Y の値を返します。
sigmoid()
tanh()
ReLU()
leaky_ReLU()
次のうち、誤っている記述はどれですか。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この最初の章では、ニューラルネットワークの概要、解ける問題の種類、そして適用のタイミングを学びます。また、いくつかのネットワークを実装し、接近中の隕石の軌道を近似する回帰モデルを訓練して、地球を救ってみましょう。
この章の終わりには、ニューラルネットワークで二値分類、多クラス分類、マルチラベル分類の問題を解く方法が身につきます。偽のドル紙幣の検出、ダーツボードで誰がどのダーツを投げたかの判定、農場の自動灌水システムの構築といった課題に取り組みます。さらに、学習指標の可視化、改善が止まった時点での学習停止やモデルの保存もできるようになります。
これまでの章で多くのモデルを訓練してきましたね。ここでは、学習曲線を読み解いて、学習中のモデルを理解する方法を学びます。活性化関数、バッチサイズ、バッチ正規化の効果も可視化します。最後に、sklearnを用いてKerasモデルのハイパーパラメータを自動最適化する方法を学びます。
現在の演習
ここからは、より高度なアーキテクチャに入ります。オートエンコーダを作成してノイズのある画像を再構成し、畳み込みニューラルネットワークの活性化を可視化し、深い事前学習済みモデルで画像を分類します。さらに、再帰型ニューラルネットワークとテキスト処理について学び、文章の次の単語を予測するネットワークを構築します。
