Inspectează modelul (II)

Acum aruncă o privire asupra ponderilor acestui model. Acordă o atenție deosebită ultimei ponderi. Aceasta convertește diferența de scor prezisă într-o probabilitate de victorie prezisă. Dacă înmulțești diferența de scor prezisă cu ultima pondere a modelului și apoi aplici funcția sigmoid, obții probabilitatea de victorie a meciului.

Acest exercițiu face parte din cursul

Deep Learning avansat cu Keras

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Print the model weights
print(____)

# Print the training data means
print(____)

Editează și rulează codul

Acest exercițiu face parte din cursul

Deep Learning avansat cu Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

În acest capitol, te vei familiariza cu noțiunile de bază ale API-ului funcțional Keras. Vei construi o rețea funcțională simplă folosind blocuri de construcție funcționale, o vei antrena pe date și vei face predicții.

Exercise 1: Straturi de intrare și dense în Keras Exercise 2: Straturi de intrare Exercise 3: Straturi Dense Exercise 4: Straturi de ieșire Exercise 5: Construiește și compilează un model Exercise 6: Construiește un model Exercise 7: Compilează un model Exercise 8: Vizualizează un model Exercise 9: Antrenează și evaluează un model Exercise 10: Antrenează modelul pe datele turneului de baschet Exercise 11: Evaluează modelul pe un set de testare

În acest capitol, vei construi rețele cu două intrări care folosesc embeddings categoriale pentru a reprezenta date cu cardinalitate ridicată, straturi partajate pentru a defini blocuri reutilizabile și straturi de îmbinare pentru a combina mai multe intrări într-o singură ieșire. La finalul capitolului, vei stăpâni blocurile de bază necesare pentru a proiecta rețele neuronale cu fluxuri de date complexe.

Exercise 1: Încorporări categoriale Exercise 2: Definirea lookup-ului pentru echipe Exercise 3: Definește modelul echipei Exercise 4: Straturi partajate Exercise 5: Definirea a două intrări Exercise 6: Caută ambele intrări în același model Exercise 7: Straturi de îmbinare Exercise 8: Stratul de ieșire folosind un strat partajat Exercise 9: Model cu două intrări și o ieșire Exercise 10: Previzionează cu modelul tău Exercise 11: Antrenează modelul pe datele din sezonul regulat Exercise 12: Evaluează modelul pe datele de test din turneu

În acest capitol, vei extinde modelul cu 2 intrări la 3 intrări și vei învăța să folosești funcțiile de sumarizare și vizualizare din Keras pentru a înțelege parametrii și topologia rețelelor neuronale. La finalul capitolului, vei ști cum să extinzi un model de la 2 intrări la 3 sau mai multe.

Exercise 1: Modele cu trei intrări Exercise 2: Creează un strat de intrare pentru echipa gazdă vs. oaspete Exercise 3: Creează și compilează un model Exercise 4: Antrenează și evaluează modelul Exercise 5: Rezumarea și vizualizarea modelelor Exercise 6: Rezumatele modelelor Exercise 7: Vizualizarea modelelor Exercise 8: Stacking modele Exercise 9: Adaugă predicțiile modelului la datele turneului Exercise 10: Creează un strat de intrare cu mai multe coloane Exercise 11: Antrenează modelul Exercise 12: Evaluează modelul

În acest capitol, vei construi rețele neuronale cu mai multe ieșiri, care pot fi folosite pentru a rezolva probleme de regresie cu mai multe ținte. Vei construi, de asemenea, un model care rezolvă simultan o problemă de regresie și una de clasificare.

Exercise 1: Modele cu două rezultate Exercise 2: Model simplu cu două ieșiri Exercise 3: Antrenează un model cu două ieșiri Exercise 4: Inspectează modelul (I)Exercise 5: Evaluează modelul Exercise 6: Un singur model pentru clasificare și regresie Exercise 7: Clasificare și regresie într-un singur model Exercise 8: Compilează și antrenează modelul Exercise 9: Inspectează modelul (II)

Exercițiul curent

Exercise 10: Evaluează pe date noi cu două metrici Exercise 11: Concluzie