In dit hoofdstuk maak je kennis met de basis van de functionele API van Keras. Je bouwt een eenvoudig functioneel netwerk met bouwblokken, traint het op data en doet voorspellingen.

Keras input- en dense-lagen

Invoerlagen

Dense-lagen

Outputlagen

Een model bouwen en compileren

Bouw een model

Een model compileren

Visualiseer een model

Een model trainen en evalueren

Train het model op de toernooi-basketbaldata

Evalueer het model op een testset

De functionele API van Keras

In dit hoofdstuk bouw je netwerken met twee inputs die gebruikmaken van categorische embeddings voor data met veel unieke waarden, gedeelde lagen om herbruikbare bouwblokken te definiëren, en merge-lagen om meerdere inputs samen te voegen tot één output. Aan het einde van dit hoofdstuk heb je de bouwstenen om neurale netwerken te ontwerpen met complexe datastromen.

Categorie-embeddings

Team-lookup definiëren

Teammodel definiëren

Gedeelde lagen

Twee inputs definiëren

Zoek beide inputs op in hetzelfde model

Merge-lagen

Uitvoellaag met gedeelde laag

Model met twee inputs en één output

Voorspellen met je model

Train het model op de trainingsdata van het reguliere seizoen

Evalueer het model op de toernooi-testdata

Netwerken met twee inputs met categorische embeddings, gedeelde lagen en merge-lagen

In dit hoofdstuk breid je je model met 2 inputs uit naar 3 inputs, en leer je hoe je de functies summary en plot van Keras gebruikt om de parameters en topologie van je neurale netwerken te begrijpen. Aan het einde van het hoofdstuk weet je hoe je een 2-inputmodel uitbreidt naar 3 inputs en verder.

Drie-inputmodellen

Maak een inputlaag voor thuis vs. uit

Maak een model en compileer het

Model trainen en evalueren

Modellen samenvatten en plotten

Modeloverzichten

Modellen plotten

Modellen stapelen

Voeg de modelvoorspellingen toe aan de toernooigegevens

Maak een invoerlaag met meerdere kolommen

Train het model

Evalueer het model

Meerdere inputs: 3 inputs (en verder!)

In dit hoofdstuk bouw je neurale netwerken met meerdere outputs, die je kunt gebruiken om regressieproblemen met meerdere doelen op te lossen. Je bouwt ook een model dat tegelijk een regressie- en een classificatieprobleem oplost.

Modellen met twee outputs

Eenvoudig model met twee Resultaten

Train een model met twee outputs

Inspecteer het model (I)

Eén model voor classificatie en regressie

Classificatie en regressie in één model

Compileer en train het model

Inspecteer het model (II)

Evalueren op nieuwe data met twee metriekwaarden

Afsluiting

Meerdere outputs

Basketball data

Basketball models

Deze cursus laat je zien hoe je met de veelzijdige functionele API van Keras allerlei problemen oplost. Je begint met eenvoudige, meerlaagse dense netwerken (ook wel multilayer perceptrons), en gaat daarna door naar complexere architecturen. Je leert modellen bouwen met meerdere inputs en één output, en hoe je gewichten kunt delen tussen lagen in een model. We behandelen ook gevorderde onderwerpen zoals categorie-embeddings en netwerken met meerdere outputs. Wil je ooit een netwerk trainen dat zowel classificatie als regressie doet? Dan is deze cursus iets voor jou!

<h2>Keras functionele API</h2>
In deze cursus leer je hoe je lastige problemen kunt oplossen met de functionele API van Keras. <br><br> Je begint met een inleiding en bouwt dan simpele functionele netwerken, past ze aan gegevens aan en doet voorspellingen. Je leert ook hoe je modellen kunt maken met meerdere inputs en één output en hoe je gewichten tussen lagen kunt delen.​.<br><br>
<h2>Netwerken met meerdere ingangen</h2>Ga je verder, probeer dan eens netwerken met twee inputs te bouwen met behulp van categorische embeddings, gedeelde lagen en samenvoegingslagen. Dit zijn de basisbouwstenen voor het ontwerpen van neurale netwerken met ingewikkelde gegevensstromen. <br><br> Het breidt deze ideeën uit naar modellen met drie of meer inputs, zodat je de parameters en topologie van je neurale netwerken beter begrijpt met behulp van de samenvattings- en plotfuncties van Keras.​.<br><br><h2>Netwerken met meerdere uitgangen</h2>In de laatste interactieve oefeningen ga je aan de slag met netwerken met meerdere outputs, die regressieproblemen met meerdere doelen kunnen oplossen en zelfs zowel regressie- als classificatietaken tegelijk kunnen doen. <br><br> Aan het einde van de cursus heb je praktische ervaring met geavanceerde deep learning-technieken om je carrière als datawetenschapper een boost te geven, zoals het evalueren van je modellen op nieuwe gegevens met behulp van meerdere statistieken.. <br><br>

Modeloverzichten

Advanced Deep Learning met Keras

Interactieve oefening met praktijkervaring