Inicio
Cursos
Introdução à aprendizagem profunda em Python

Propagação direta

Name: Noções básicas de aprendizagem profunda e redes neurais - Propagação direta
Uploaded: 2022-11-01T00:00:00.000Z
Description: Neste capítulo, você se familiarizará com os conceitos e a terminologia fundamentais usados na aprendizagem profunda e entenderá por que as técnicas de aprendizagem profunda são tão poderosas atualmente. Você criará redes neurais simples e gerará previsões com elas.

Este exercício faz parte do curso

Introdução à aprendizagem profunda em Python

IntermediárioNível de habilidade

4.9+

49 reviews

Iniciar curso gratuitamente

Neste capítulo, você se familiarizará com os conceitos e a terminologia fundamentais usados na aprendizagem profunda e entenderá por que as técnicas de aprendizagem profunda são tão poderosas atualmente. Você criará redes neurais simples e gerará previsões com elas.

Exercise 1: Introdução à aprendizagem profunda Exercise 2: Comparação de modelos de redes neurais com modelos de regressão clássicos Exercise 3: Propagação direta

Exercício atual

Exercise 4: Codificação do algoritmo de propagação progressiva Exercise 5: Funções de ativação Exercise 6: A função de ativação linear retificada Exercise 7: Aplicar a rede a muitas observações/linhas de dados Exercise 8: Redes mais profundas Exercise 9: Propagação direta em uma rede mais profunda Exercise 10: Redes neurais multicamadas Exercise 11: As representações são aprendidas Exercise 12: Níveis de representação

Saiba como otimizar as previsões geradas por suas redes neurais. Você usará um método chamado backward propagation, que é uma das técnicas mais importantes da aprendizagem profunda. Entender como ele funciona dará a você uma base sólida para a segunda metade do curso.

Exercise 1: A necessidade de otimização Exercise 2: Cálculo dos erros do modelo Exercise 3: Compreensão de como os pesos alteram a precisão do modelo Exercise 4: Codificação de como as alterações de peso afetam a precisão Exercise 5: Dimensionamento para vários pontos de dados Exercise 6: Descida de gradiente Exercise 7: Cálculo de inclinações Exercise 8: Aprimoramento dos pesos do modelo Exercise 9: Fazer várias atualizações de pesos Exercise 10: Retropropagação Exercise 11: A relação entre a propagação para frente e para trás Exercise 12: Pensando na propagação para trás Exercise 13: Backpropagation na prática Exercise 14: Uma rodada de retropropagação

Neste capítulo, você usará a biblioteca Keras para criar modelos de aprendizagem profunda para regressão e classificação. Você aprenderá sobre o fluxo de trabalho Specify-Compile-Fit que pode ser usado para fazer previsões e, ao final do capítulo, terá todas as ferramentas necessárias para criar redes neurais profundas.

Exercise 1: Criando um modelo Keras Exercise 2: Entendendo seus dados Exercise 3: Especificação de um modelo Exercise 4: Compilação e ajuste de um modelo Exercise 5: Compilação do modelo Exercise 6: Ajuste do modelo Exercise 7: Modelos de classificação Exercise 8: Entendendo seus dados de classificação Exercise 9: Últimas etapas dos modelos de classificação Exercise 10: Usando modelos Exercise 11: Fazendo previsões

Saiba como otimizar seus modelos de aprendizagem profunda no Keras. Comece aprendendo a validar seus modelos, depois entenda o conceito de capacidade do modelo e, por fim, faça experiências com redes mais amplas e profundas.

Exercise 1: Entendendo a otimização do modelo Exercise 2: Diagnosticar problemas de otimização Exercise 3: Alteração dos parâmetros de otimização Exercise 4: Validação do modelo Exercise 5: Avaliação da precisão do modelo no conjunto de dados de validação Exercise 6: Parada precoce: Otimizando a otimização Exercise 7: Experimentação com redes mais amplas Exercise 8: Adicionando camadas a uma rede Exercise 9: Pensando na capacidade do modelo Exercise 10: Experimentando estruturas de modelos Exercise 11: Como você pode ver nas imagens Exercise 12: Criando seu próprio modelo de reconhecimento de dígitos Exercise 13: Considerações finais