W tym rozdziale zapoznasz się z podstawowymi pojęciami i terminologią stosowaną w uczeniu głębokim oraz zrozumiesz, dlaczego techniki uczenia głębokiego są dziś tak skuteczne. Zbudujesz proste sieci neuronowe i wygenerujesz za ich pomocą pierwsze predykcje.

Wprowadzenie do uczenia głębokiego

Porównanie modeli sieci neuronowych z klasycznymi modelami regresji

Propagacja w przód

Kodowanie algorytmu propagacji w przód

Funkcje aktywacji

Rektyfikowana liniowa funkcja aktywacji

Stosowanie sieci do wielu obserwacji/wierszy danych

Głębsze sieci

Propagacja w przód w głębszej sieci

Wielowarstwowe sieci neuronowe

Reprezentacje są uczone

Poziomy reprezentacji

Podstawy uczenia głębokiego i sieci neuronowych

Dowiedz się, jak optymalizować predykcje generowane przez sieci neuronowe. Poznasz metodę zwaną propagacją wsteczną – jedną z najważniejszych technik w uczeniu głębokim. Zrozumienie jej działania zapewni ci solidne podstawy do dalszej pracy w drugiej części kursu.

Potrzeba optymalizacji

Obliczanie błędów modelu

Wpływ wag na dokładność modelu

Jak zmiany wag wpływają na dokładność modelu

Skalowanie na wiele punktów danych

Gradientowe zejście

Obliczanie nachyleń

Poprawa wag modelu

Wielokrotna aktualizacja wag

Propagacja wsteczna

Związek między propagacją w przód i propagacją wsteczną

Myślenie o propagacji wstecznej

Wsteczna propagacja w praktyce

Runda propagacji wstecznej

Optymalizacja sieci neuronowej za pomocą propagacji wstecznej

W tym rozdziale użyjesz biblioteki Keras do budowania modeli uczenia głębokiego – zarówno do regresji, jak i klasyfikacji. Poznasz schemat pracy Określ–Skompiluj–Dopasuj, który pozwoli ci generować predykcje. Pod koniec rozdziału będziesz mieć wszystkie narzędzia potrzebne do budowania głębokich sieci neuronowych.

Tworzenie modelu Keras

Poznaj swoje dane

Definiowanie modelu

Kompilowanie i dopasowywanie modelu

Kompilowanie modelu

Dopasowywanie modelu

Modele klasyfikacyjne

Poznaj dane do klasyfikacji

Ostatnie kroki w modelach klasyfikacji

Używanie modeli

Tworzenie prognoz

Budowanie modeli uczenia głębokiego z Keras

Dowiedz się, jak optymalizować modele uczenia głębokiego w Keras. Zacznij od walidacji modeli, następnie poznaj pojęcie pojemności modelu, a na koniec eksperymentuj z szerszymi i głębszymi sieciami.

Optymalizacja modelu – podstawy

Diagnozowanie problemów z optymalizacją

Zmiana parametrów optymalizacji

Walidacja modelu

Ocena dokładności modelu na zbiorze walidacyjnym

Wczesne zatrzymywanie: optymalizacja optymalizacji

Eksperymenty z szerszymi sieciami

Dodawanie warstw do sieci

Pojemność modelu

Eksperymentowanie ze strukturami modeli

Obrazy – kolejny krok

Budowanie własnego modelu do rozpoznawania cyfr

Podsumowanie

Dostrajanie modeli Keras

Titanic

Hourly wages

MNIST

Uczenie głębokie to technika uczenia maszynowego stojąca za najbardziej ekscytującymi możliwościami w takich dziedzinach jak robotyka, przetwarzanie języka naturalnego, rozpoznawanie obrazów czy sztuczna inteligencja – w tym słynny AlphaGo. W tym kursie zdobędziesz praktyczną wiedzę na temat uczenia głębokiego z wykorzystaniem Keras 2.0 – najnowszej wersji wiodącej biblioteki do uczenia głębokiego w Pythonie.

<h2>Odkryj zastosowania deep learningu </h2>
Deep learning to technika uczenia maszynowego stojąca za najbardziej ekscytującymi możliwościami w robotyce, przetwarzaniu języka naturalnego, rozpoznawaniu obrazów i sztucznej inteligencji. W tym 4-godzinnym kursie zdobędziesz praktyczną wiedzę, jak wykorzystać swoje umiejętności Pythona w deep learningu z biblioteką Keras 2.0.
<br><br>
<h2>Poznaj modele Keras z twórcą biblioteki</h2>
Prowadzony przez byłego data scientistę Google i współtwórcę Keras, Dana Beckera, ten kurs deep learningu zgłębia modele sieci neuronowych oraz to, jak możesz za ich pomocą generować predykcje. Pierwsze rozdziały poszerzą Twoje zrozumienie zarówno propagacji w przód, jak i propagacji wstecznej oraz tego, jak działają w praktyce.
<br><br>
Biblioteka Keras to biblioteka Python, która może pomóc Ci tworzyć i analizować modele deep learning. Podobnie jak wiele bibliotek Pythona, jest darmowa, open source i bardzo przyjazna dla użytkownika. Zaczniesz od stworzenia modelu Keras i nauczysz się, jak go kompilować, dopasowywać i klasyfikować, zanim zaczniesz tworzyć prognozy. Po ukończeniu tego kursu będziesz mieć wszystkie narzędzia potrzebne do budowania głębokich sieci neuronowych i z czasem zaczniesz eksperymentować z szerszymi i głębszymi sieciami.
<br><br>
<h2>Zagłęb się jeszcze bardziej w deep learning</h2>
Ten kurs jest częścią kilku ścieżek uczenia maszynowego i deep learningu, oferując Ci jasne możliwości rozwijania umiejętności i zdobywania doświadczenia w tej dziedzinie po ukończeniu kursu wprowadzającego — niezależnie od tego, czy chcesz zrealizować własny projekt, czy zmierzać w stronę kariery jako Machine Learning Scientist.

Supervised Learning with scikit-learn

Zapisz się na kurs Deep Learning z Pythonem. Naucz się używać deep learning do NLP, rozpoznawania obrazów i AI z Keras 2.0.

Wprowadzenie do uczenia głębokiego w Pythonie

Poznaj podstawy sieci neuronowych i naucz się tworzyć modele deep learning w Pythonie z użyciem Keras 2.0. 

Data Scientist and contributor to Keras and TensorFlow libraries

Dlaczego model wymaga kompilacji

Czym jest dopasowywanie modelu

Czas na ćwiczenia!

Budowanie modeli uczenia głębokiego z Keras - Kompilowanie i dopasowywanie modelu

Kompilowanie i dopasowywanie modelu

Create Your Free Account