Prepare seu conjunto de dados

No console, você pode verificar que seus rótulos, darts.competitor, ainda não estão em um formato compreensível pela sua rede. Eles contêm os nomes dos competidores como strings. Primeiro, você vai transformar esses competidores em números únicos e, em seguida, usar a função to_categorical() de keras.utils para converter esses números na representação one-hot.

Isso é útil para problemas de classificação multiclasse, já que há tantos neurônios de saída quanto classes e, para cada observação no nosso conjunto de dados, queremos que apenas um dos neurônios seja ativado.

O conjunto de dados de dardos está carregado como darts. O Pandas está importado como pd. Vamos preparar esse conjunto de dados!

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Transform into a categorical variable
darts.competitor = pd.____(darts.competitor)

# Assign a number to each category (label encoding)
darts.competitor = darts.competitor.____.____ 

# Print the label encoded competitors
print('Label encoded competitors: \n',darts.competitor.head())

Editar e executar o código

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Neste primeiro capítulo, você vai ser apresentado às redes neurais, entender que tipo de problemas elas resolvem e quando usá-las. Você também vai construir várias redes e salvar a Terra treinando um modelo de regressão que aproxima a órbita de um meteoro que está se aproximando!

Exercise 1: O que é Keras?Exercise 2: Descrevendo o Keras Exercise 3: Você usaria deep learning?Exercise 4: Sua primeira rede neural Exercise 5: Olá, redes!Exercise 6: Contando parâmetros Exercise 7: Construa como mostrado!Exercise 8: Sobrevivendo a um impacto de meteoro Exercise 9: Especificando um modelo Exercise 10: Treinando Exercise 11: Prevendo a órbita!

Ao final deste capítulo, você saberá como resolver problemas binários, multiclasse e multilabel com redes neurais. Tudo isso resolvendo problemas como detectar notas de dólar falsas, decidir quem lançou qual dardo em um alvo e construir um sistema inteligente para irrigar sua fazenda. Você também será capaz de plotar métricas de treino do modelo e interromper o treino e salvar seus modelos quando eles deixarem de melhorar.

Exercise 1: Classificação binária Exercise 2: Explorando cédulas de dólar Exercise 3: Um modelo de classificação binária Exercise 4: Essa nota de dólar é falsa?Exercise 5: Classificação multiclasse Exercise 6: Um modelo multiclasse Exercise 7: Prepare seu conjunto de dados

Exercício atual

Exercise 8: Treinando com arremessadores de dardos Exercise 9: Previsões com softmax Exercise 10: Classificação multirrótulo Exercise 11: Uma máquina de irrigação Exercise 12: Treinando com múltiplos rótulos Exercise 13: Callbacks do Keras Exercise 14: O callback de histórico Exercise 15: Parada antecipada do seu modelo Exercise 16: Uma combinação de callbacks

Nos capítulos anteriores, você treinou muitos modelos! Agora você vai aprender a interpretar curvas de aprendizado para entender seus modelos enquanto treinam. Você também vai visualizar os efeitos das funções de ativação, dos tamanhos de batch e da normalização em batch. Por fim, você vai aprender a fazer otimização automática de hiperparâmetros nos seus modelos Keras usando o sklearn.

Exercise 1: Curvas de aprendizado Exercise 2: Aprendendo os dígitos Exercise 3: O modelo está overfitting?Exercise 4: Precisamos de mais dados?Exercise 5: Funções de ativação Exercise 6: Funções de ativação diferentes Exercise 7: Comparando funções de ativação Exercise 8: Comparando funções de ativação II Exercise 9: Tamanho do lote e batch normalization Exercise 10: Alterando os tamanhos de batch Exercise 11: Normalizando em lote um modelo conhecido Exercise 12: Efeitos da batch normalization Exercise 13: Ajuste de hiperparâmetros Exercise 14: Preparando um modelo para ajuste Exercise 15: Ajustando os parâmetros do modelo Exercise 16: Treinando com validação cruzada

É hora de conhecer arquiteturas mais avançadas! Você vai criar um autoencoder para reconstruir imagens com ruído, visualizar ativações de redes neurais convolucionais, usar modelos profundos pré-treinados para classificar imagens e aprender mais sobre redes neurais recorrentes e trabalho com texto ao construir uma rede que prevê a próxima palavra em uma frase.

Exercise 1: Tensores, camadas e autoencoders Exercise 2: É um fluxo de tensores Exercise 3: Separação neural Exercise 4: Construindo um autoencoder Exercise 5: Remoção de ruído como um autoencoder Exercise 6: Introdução às CNNs Exercise 7: Construindo um modelo de CNN Exercise 8: Observando convoluções Exercise 9: Preparando sua imagem de entrada Exercise 10: Usando um modelo do mundo real Exercise 11: Introdução às LSTMs Exercise 12: Previsão de texto com LSTMs Exercise 13: Construa seu modelo LSTM Exercise 14: Decodifique suas previsões Exercise 15: Teste seu modelo!Exercise 16: Você terminou!