Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

Introduction to PyTorch, a Deep Learning Library

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.


Ontdekken van activatiefuncties

Activeer je begrip!

De sigmoid- en softmax-functies

Een forward pass uitvoeren

Een binaire classifier bouwen in PyTorch

Van regressie naar multi-class-classificatie

Met verliesfuncties de voorspellingen van je model beoordelen

One-hot gecodeerde labels maken

Cross-entropy loss berekenen

Afgeleiden gebruiken om modelparameters bij te werken

De modelparameters benaderen

De gewichten handmatig bijwerken

De PyTorch-optimizer gebruiken

Neural Network Architecture and Hyperparameters

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

A deeper dive into loading data

Using TensorDataset

Using DataLoader

Writing our first training loop

Using the MSELoss

Writing a training loop

ReLU activation functions

Implementing ReLU

Implementing leaky ReLU

Understanding activation functions

Learning rate and momentum

Experimenting with learning rate

Experimenting with momentum

Training a Neural Network with PyTorch

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.


Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

Evaluating and Improving Models

Water Potability

Face Mask Dataset

Course Glossary

Deep learning is overal, van smartphonecamera's tot spraakassistenten en zelfrijdende auto's. In deze cursus ontdek je deze krachtige technologie en leer je hoe je haar inzet met PyTorch, een van de populairste deep-learningbibliotheken. Aan het einde van deze cursus kun je PyTorch gebruiken om classificatie- en regressieproblemen op te lossen met deep learning.

De video's bevatten live-transcripten die je kunt tonen door linksonder op de video's op "Show transcript" te klikken.

De begrippenlijst van de cursus vind je rechts in de sectie met bronnen.

Om CPE-credits te behalen moet je de cursus afronden en minstens 70% scoren op de gekwalificeerde toets. Je kunt naar de toets gaan door rechts op de CPE-credits-callout te klikken.

Supervised Learning with scikit-learn

Introduction to NumPy

Python Toolbox

Leer hoe je je eerste neuraal netwerk bouwt, hyperparameters aanpast en problemen oplost in PyTorch.

Introductie tot Deep Learning met PyTorch

AI-ingenieur voor datawetenschappers

Deep learning in Python

Basisprincipes van machine learning in Python

Wetenschapper op het gebied van machine learning in Python

Senior Data Science Content Developer, DataCamp

Verliesfuncties gebruiken om modelvoorspellingen te beoordelen

Waarom hebben we een verliesfunctie nodig?

One-hot-encoding: concepten

Labels transformeren met one-hot-encoding

Cross-entropy loss in PyTorch

Alles samenbrengen

Laten we oefenen!

Neural Network Architecture and Hyperparameters - Met verliesfuncties de voorspellingen van je model beoordelen

Met verliesfuncties de voorspellingen van je model beoordelen

Create Your Free Account