In this chapter, you'll become familiar with the fundamental concepts and terminology used in deep learning, and understand why deep learning techniques are so powerful today. You'll build simple neural networks and generate predictions with them.

Introduction to deep learning

Comparing neural network models to classical regression models

Forward propagation

Coding the forward propagation algorithm

Activation functions

The Rectified Linear Activation Function

Applying the network to many observations/rows of data

Deeper networks

Forward propagation in a deeper network

Multi-layer neural networks

Representations are learned

Levels of representation

Basics of deep learning and neural networks

Learn how to optimize the predictions generated by your neural networks. You'll use a method called backward propagation, which is one of the most important techniques in deep learning. Understanding how it works will give you a strong foundation to build on in the second half of the course.

The need for optimization

Calculating model errors

Understanding how weights change model accuracy

Coding how weight changes affect accuracy

Scaling up to multiple data points

Gradient descent

Calculating slopes

Improving model weights

Making multiple updates to weights

Backpropagation

The relationship between forward and backward propagation

Thinking about backward propagation

Backpropagation in practice

A round of backpropagation

Optimizing a neural network with backward propagation

In this chapter, you'll use the Keras library to build deep learning models for both regression and classification. You'll learn about the Specify-Compile-Fit workflow that you can use to make predictions, and by the end of the chapter, you'll have all the tools necessary to build deep neural networks.

Creating a Keras model

Understanding your data

Specifying a model

Compiling and fitting a model

Compiling the model

Fitting the model

Classification models

Understanding your classification data

Last steps in classification models

Using models

Making predictions

Building deep learning models with keras

Learn how to optimize your deep learning models in Keras. Start by learning how to validate your models, then understand the concept of model capacity, and finally, experiment with wider and deeper networks. 

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

Fine-tuning keras models

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. 

Optimalisatieproblemen diagnosticeren

Introductie tot Deep Learning in Python

Praktische interactieve oefening