1. Aprender
    2. /
  2. Cursos
    3. /
  3. Introdução à aprendizagem profunda em Python
  • 1

    Noções básicas de aprendizagem profunda e redes neurais

    Gratuito

    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.

  • 2

    Otimização de uma rede neural com propagação para trás

    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.

  • 3

    Criando modelos de aprendizagem profunda com o keras

    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.

  • 4

    Ajuste fino dos modelos keras

    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.

Initializing

Exercício

Dimensionamento para vários pontos de dados

Você já viu como pesos diferentes terão precisões diferentes em uma única previsão. Mas, normalmente, você desejará medir a precisão do modelo em muitos pontos. Agora você escreverá um código para comparar a precisão do modelo para dois conjuntos diferentes de pesos, que foram armazenados como weights_0 e weights_1.

input_data é uma lista de matrizes. Cada item dessa lista contém os dados necessários para fazer uma única previsão. target_actuals é uma lista de números. Cada item dessa lista é o valor real que estamos tentando prever.

Neste exercício, você usará a função mean_squared_error() de sklearn.metrics. Ele usa os valores reais e os valores previstos como argumentos.

Você também usará a função predict_with_network() pré-carregada, que recebe uma matriz de dados como primeiro argumento e pesos como segundo argumento.

Instruções

100 XP

  • Importar mean_squared_error de sklearn.metrics.

  • Usando um loop for para iterar sobre cada linha de input_data:

    • Faça previsões para cada linha com weights_0 usando a função predict_with_network() e anexe-as a model_output_0.

    • Faça o mesmo para weights_1, anexando as previsões a model_output_1.

  • Calcule o erro quadrático médio de model_output_0 e, em seguida, de model_output_1 usando a função mean_squared_error(). O primeiro argumento deve ser os valores reais (target_actuals), e o segundo argumento deve ser os valores previstos (model_output_0 ou model_output_1).