In dit hoofdstuk maak je kennis met de kernbegrippen en terminologie van deep learning en ontdek je waarom deep learning-technieken vandaag zo krachtig zijn. Je bouwt eenvoudige neurale netwerken en laat ze voorspellingen genereren.

Introductie tot deep learning

Neurale-netwerkmodellen vergelijken met klassieke regressiemodellen

Forward propagation

De forward propagation-algoritme coderen

Activatiefuncties

De rectified linear-activatiefunctie

Het netwerk toepassen op veel observaties/rijen met gegevens

Diepere netwerken

Forward propagation in een dieper netwerk

Neurale netwerken met meerdere lagen

Representaties worden geleerd

Niveaus van representatie

Basisprincipes van deep learning en neurale netwerken

Leer hoe je de voorspellingen van je neurale netwerken kunt optimaliseren. Je gebruikt een methode die backpropagation heet, een van de belangrijkste technieken in deep learning. Begrijpen hoe dit werkt geeft je een sterke basis voor de tweede helft van de cursus.

Waarom optimaliseren nodig is

Modelerrors berekenen

Begrijpen hoe gewichten de modelnauwkeurigheid veranderen

Programmeren: hoe gewichtsveranderingen de nauwkeurigheid beïnvloeden

Opschalen naar meerdere datapunten

Gradient descent

Hellingen berekenen

Modelgewichten verbeteren

Meerdere updates op gewichten toepassen

Backpropagation

De relatie tussen forward en backward propagation

Nadenken over backward propagation

Backpropagation in de praktijk

Een ronde backpropagation

Een neuraal netwerk optimaliseren met backpropagation

In dit hoofdstuk gebruik je de Keras-bibliotheek om deep learning-modellen te bouwen voor zowel regressie als classificatie. Je leert over de Specify-Compile-Fit-workflow die je kunt gebruiken om voorspellingen te doen, en aan het einde van het hoofdstuk heb je alle tools om diepe neurale netwerken te bouwen.

Een Keras-model maken

Je data begrijpen

Een model specificeren

Een model compileren en trainen

Het model compileren

Het model trainen

Classificatiemodellen

Je classificatiedata begrijpen

Laatste stappen in classificatiemodellen

Modellen gebruiken

Voorspellingen maken

Deep learning-modellen bouwen met Keras

Leer hoe je je deep learning-modellen in Keras optimaliseert. Begin met het valideren van je modellen, begrijp vervolgens het concept modelcapaciteit en experimenteer tot slot met bredere en diepere netwerken.

Inzicht in modeloptimalisatie

Optimalisatieproblemen diagnosticeren

Optimalisatieparameters aanpassen

Modelvalidatie

Modelnauwkeurigheid evalueren op validatiegegevensset

Early stopping: de optimalisatie optimaliseren

Experimenteren met bredere netwerken

Lagen toevoegen aan een netwerk

Nadenken over modelcapaciteit

Experimenteren met modelstructuren

De volgende stap: werken met afbeeldingen

Bouw je eigen model voor cijferherkenning

Tot slot

Keras-modellen finetunen

Hourly wages

MNIST

Titanic

Deep learning is de Machine Learning-techniek achter de meest spannende mogelijkheden in uiteenlopende domeinen zoals robotica, natural language processing, beeldherkenning en artificial intelligence, waaronder het bekende AlphaGo. In deze cursus doe je praktische, hands-on ervaring op met deep learning met Keras 2.0, de nieuwste versie van een geavanceerde bibliotheek voor deep learning in Python.

<h2>Ontdek toepassingen van deep learning </h2>
Deep learning is de machine learning-techniek die achter de meest opwindende mogelijkheden op het gebied van robotica, natuurlijke taalverwerking, beeldherkenning en kunstmatige intelligentie zit. In deze cursus van 4 uur leer je hoe je je Python-vaardigheden kunt gebruiken voor deep learning met de Keras 2.0-bibliotheek.
<br><br>
<h2>Ontdek Keras-modellen met een bibliotheekbijdrager</h2>
Deze cursus over deep learning wordt gegeven door Dan Becker, een voormalig datawetenschapper bij Google en medewerker van Keras. Je leert over neurale netwerkmodellen en hoe je daarmee voorspellingen kunt doen. De eerste hoofdstukken geven je meer inzicht in zowel voorwaartse als achterwaartse propagatie en hoe deze in de praktijk werken.
<br><br>
De Keras-bibliotheek is een Python-bibliotheek die je kan helpen bij het ontwikkelen en beoordelen van deep learning-modellen. Net als veel andere Python-bibliotheken is het gratis, open source en super makkelijk te gebruiken. Je begint met het maken van een Keras-model en leert hoe je het kunt compileren, aanpassen en classificeren voordat je voorspellingen doet. Als je deze cursus hebt gedaan, heb je alle tools die je nodig hebt om diepe neurale netwerken te bouwen en na verloop van tijd te experimenteren met bredere en diepere netwerken.
<br><br>
<h2>Duik dieper in deep learning</h2>
Deze cursus is onderdeel van verschillende machine learning- en deep learning-trajecten en biedt je een duidelijk pad om je vaardigheden en ervaring op dit gebied op te bouwen zodra je de inleidende cursus hebt afgerond, of je nu een persoonlijk project wilt voltooien of een carrière als machine learning-wetenschapper wilt nastreven.

Supervised Learning with scikit-learn

Schrijf je in voor onze cursus Deep Learning met Python en leer AI met Keras 2.0 voor NLP en beeldherkenning.

Introductie tot Deep Learning in Python

Leer de basis van neurale netwerken en hoe je deep learning-modellen kunt bouwen met Keras 2.0 in Python. 

Niveaus van representatie

Introductie tot Deep Learning in Python

Interactieve oefening met praktijkervaring