In this chapter, you'll become familiar with the basics of the Keras functional API.  You'll build a simple functional network using functional building blocks, fit it to data, and make predictions.

Keras input and dense layers

Input layers

Dense layers

Output layers

Build and compile a model

Build a model

Compile a model

Visualize a model

Fit and evaluate a model

Fit the model to the tournament basketball data

Evaluate the model on a test set

The Keras Functional API

In this chapter, you will build two-input networks that use categorical embeddings to represent high-cardinality data, shared layers to specify re-usable building blocks, and merge layers to join multiple inputs to a single output. By the end of this chapter, you will have the foundational building blocks for designing neural networks with complex data flows.

Category embeddings

Define team lookup

Define team model

Shared layers

Defining two inputs

Lookup both inputs in the same model

Merge layers

Output layer using shared layer

Model using two inputs and one output

Predict from your model

Fit the model to the regular season training data

Evaluate the model on the tournament test data

Two Input Networks Using Categorical Embeddings, Shared Layers, and Merge Layers

In this chapter, you will extend your 2-input model to 3 inputs, and learn how to use Keras' summary and plot functions to understand the parameters and topology of your neural networks. By the end of the chapter, you will understand how to extend a 2-input model to 3 inputs and beyond.

Three-input models

Make an input layer for home vs. away

Make a model and compile it

Fit the model and evaluate

Summarizing and plotting models

Model summaries

Plotting models

Stacking models

Add the model predictions to the tournament data

Create an input layer with multiple columns

Fit the model

Evaluate the model

Multiple Inputs: 3 Inputs (and Beyond!)

In this chapter, you will build neural networks with multiple outputs, which can be used to solve regression problems with multiple targets.  You will also build a model that solves a regression problem and a classification problem simultaneously.

Modellen met twee outputs

Eenvoudig model met twee Resultaten

Train een model met twee outputs

Inspecteer het model (I)

Evalueer het model

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

Multiple 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>

Evalueer het model

Advanced Deep Learning met Keras

Oefeninstructies

Interactieve oefening met praktijkervaring