Convolutional neural networks use the data that is represented in images to learn. In this chapter, we will probe data in images, and we will learn how to use Keras to train a neural network to classify objects that appear in images. 

Introducing convolutional neural networks

Images as data: visualizations

Images as data: changing images

Classifying images

Using one-hot encoding to represent images

Evaluating a classifier

Classification with Keras

Build a neural network

Compile a neural network

Fitting a neural network model to clothing data

Cross-validation for neural network evaluation

Image Processing With Neural Networks

Convolutions are the fundamental building blocks of convolutional neural networks. In this chapter, you will be introducted to convolutions and learn how they operate on image data. You will also see how you incorporate convolutions into Keras neural networks. 

Convolutions

One dimensional convolutions

Image convolutions

Defining image convolution kernels

Implementing image convolutions in Keras

Convolutional network for image classification

Training a CNN to classify clothing types

Evaluating a CNN with test data

Tweaking your convolutions

Add padding to a CNN

Add strides to a convolutional network

Calculate the size of convolutional layer output

Using Convolutions

Convolutional neural networks gain a lot of power when they are constructed with multiple layers (deep networks). In this chapter, you will learn how to stack multiple convolutional layers into a deep network. You will also learn how to keep track of the number of parameters, as the network grows, and how to control this number.

Dieper gaan

Een deep learning-netwerk maken

Train een diepe CNN om kledingafbeeldingen te classificeren

Wat is er bijzonder aan een diep netwerk?

Hoeveel parameters?

Hoeveel parameters in een CNN?

Hoeveel parameters in een diepe CNN?

Pooling-bewerkingen

Schrijf je eigen pooling-operatie

Keras-poolinglagen

Train een diepe CNN met pooling om beelden te classificeren

Going Deeper

There are many ways to improve training by neural networks. In this chapter, we will focus on our ability to track how well a network is doing, and explore approaches towards improving convolutional neural networks.

Tracking learning

Plot the learning curves

Using stored weights to predict in a test set

Regularization

Adding dropout to your network

Add batch normalization to your network

Interpreting the model

Extracting a kernel from a trained network

Shape of the weights

Visualizing kernel responses

Next steps

Understanding and Improving Deep Convolutional Networks

Voor beeldmodellering heb je vaak deep learning-methoden nodig die gegevens gebruiken om neurale netwerkalgoritmen te trainen voor verschillende Machine Learning-taken. Convolutionele neurale netwerken (CNN’s) zijn bijzonder krachtige neurale netwerken die je gebruikt om verschillende soorten objecten in afbeeldingen te classificeren. In deze cursus van vier uur leer je hoe je CNN’s opstelt, traint en evalueert met Keras.

<h2>Leer hoe je convolutional neural networks in Python kunt gebruiken</h2>

  Beeldmodellen hebben vaak deep learning-methoden nodig die data gebruiken om neurale netwerken te trainen.

  netwerkalgoritmen om verschillende machine learning-taken uit te voeren. Convolutionele neurale netwerken

  Netwerken (CNN's) zijn super krachtige neurale netwerken die je kunt gebruiken om

  verschillende soorten objecten indelen voor het analyseren van afbeeldingen. Deze vier uur durende

  In deze cursus leer je hoe je CNN's kunt bouwen, trainen en evalueren met Keras.

  <br><br>

  Beelden omzetten in data en neurale netwerken leren om ze te classificeren is een

  Een uitdagend onderdeel van deep learning met allerlei toepassingen.

  zakelijk en onderzoek, van het helpen van een e-commerce site bij het beheren van de voorraad tot

  zodat kankeronderzoekers snel gevaarlijke melanoom kunnen herkennen.

  <br><br>

  <h2>Ontdek Keras CNN's</h2>

  Het eerste hoofdstuk van deze cursus gaat over hoe je afbeeldingen kunt zien als data, en

  hoe je Keras kunt gebruiken om een neuraal netwerk te trainen om dingen te classificeren die je tegenkomt in

  afbeeldingen.

  <br><br>

  Het tweede hoofdstuk gaat over convoluties, een belangrijk onderdeel van CNN's. Je zult

  ontdek hoe ze met beeldgegevens werken en leer hoe je je

  Keras CNN met testgegevens. In de latere hoofdstukken gaan we dieper in op de details en leer je

  hoe je een deep learning-netwerk maakt.

  <br><br>

  <h2>Maak je eigen Keras-neurale netwerk</h2>

  Je sluit de cursus af met het leren van de verschillende manieren waarop je kunt bijhouden hoe

  hoe CNN het doet en hoe je hun prestaties kunt verbeteren. Op dit moment,

  kun je Keras-neurale netwerken bouwen, ze optimaliseren en visualiseren

  hun reacties in allerlei toepassingen.

Introduction to Deep Learning with Keras

Leer deep learning gebruiken voor beeldanalyse met Keras en Python door CNN's te bouwen en testen.

Beeldmodellering met Keras

Leer hoe je beeldanalyse kunt doen met Keras en Python door convolutionele neurale netwerken te bouwen, te trainen en te evalueren. 

Beeldverwerking in Python

Keras-basisprincipes

Wat is er bijzonder aan een diep netwerk?

Beeldmodellering met Keras

Praktische interactieve oefening