Pregătește setul de date

În consolă poți verifica că etichetele tale, darts.competitor, nu sunt încă într-un format pe care rețeaua neuronală îl poate înțelege. Acestea conțin numele competitorilor sub formă de șiruri de caractere. Mai întâi vei transforma acești competitori în numere unice, apoi vei folosi funcția to_categorical() din keras.utils pentru a converti aceste numere în reprezentarea lor one-hot encoded.

Acest lucru este util pentru problemele de clasificare multi-clasă, deoarece există tot atâtea neuroni de ieșire câte clase există, iar pentru fiecare observație din setul de date dorim ca un singur neuron să fie activat.

Setul de date cu aruncări de săgeți este încărcat ca darts. Pandas este importat ca pd. Să pregătim acest set de date!

Acest exercițiu face parte din cursul

Introducere în Deep Learning cu Keras

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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())

Editează și rulează codul

Acest exercițiu face parte din cursul

Introducere în Deep Learning cu Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

În acest prim capitol, vei face cunoștință cu rețelele neuronale, vei înțelege ce tipuri de probleme pot rezolva și când să le folosești. Vei construi, de asemenea, mai multe rețele și vei salva Pământul antrenând un model de regresie care aproximează orbita unui meteorit ce se apropie de noi!

Exercise 1: Ce este Keras?Exercise 2: Descrierea Keras Exercise 3: Ai folosi învățarea profundă?Exercise 4: Prima ta rețea neuronală Exercise 5: Salut, rețele!Exercise 6: Numărarea parametrilor Exercise 7: Construiește după model!Exercise 8: Supraviețuiește unui impact de meteor Exercise 9: Specificarea unui model Exercise 10: Antrenament Exercise 11: Prezicerea orbitei!

La sfârșitul acestui capitol, vei ști cum să rezolvi probleme binare, multiclasă și multi-etichetă cu rețele neuronale. Tot acest lucru prin rezolvarea unor probleme precum detectarea bancnotelor false, deciderea cine a aruncat ce săgeată la o țintă și construirea unui sistem inteligent de irigare a fermei tale. Vei putea, de asemenea, să reprezentați grafic metricile de antrenament ale modelului și să oprești antrenamentul și să salvezi modelele atunci când acestea nu mai progresează.

Exercise 1: Clasificare binară Exercise 2: Explorarea bancnotelor Exercise 3: Un model de clasificare binară Exercise 4: Este această bancnotă falsă?Exercise 5: Clasificare multi-clasă Exercise 6: Un model multi-clasă Exercise 7: Pregătește setul de date

Exercițiul curent

Exercise 8: Antrenare pe aruncătorii de săgeți Exercise 9: Predicții Softmax Exercise 10: Clasificare multi-etichetă Exercise 11: O mașină de irigat Exercise 12: Antrenament cu etichete multiple Exercise 13: Callback-uri Keras Exercise 14: Callback-ul history Exercise 15: Oprirea anticipată a modelului Exercise 16: O combinație de callback-uri

În capitolele anterioare, ai antrenat o mulțime de modele! Acum vei învăța cum să interpretezi curbele de învățare pentru a înțelege modelele pe măsură ce se antrenează. Vei vizualiza, de asemenea, efectele funcțiilor de activare, ale dimensiunilor de lot și ale normalizării pe loturi. În final, vei învăța cum să efectuezi optimizarea automată a hiperparametrilor pentru modelele tale Keras folosind sklearn.

Exercise 1: Curbe de învățare Exercise 2: Recunoașterea cifrelor Exercise 3: Modelul face overfitting?Exercise 4: Avem nevoie de mai multe date?Exercise 5: Funcții de activare Exercise 6: Funcții de activare diferite Exercise 7: Compararea funcțiilor de activare Exercise 8: Compararea funcțiilor de activare II Exercise 9: Dimensiunea lotului și normalizarea pe loturi Exercise 10: Modificarea dimensiunii batch-ului Exercise 11: Normalizarea pe loturi a unui model familiar Exercise 12: Efectele normalizării pe loturi Exercise 13: Optimizarea hiperparametrilor Exercise 14: Pregătirea unui model pentru ajustarea hiperparametrilor Exercise 15: Ajustarea parametrilor modelului Exercise 16: Antrenare cu validare încrucișată

A venit momentul să explorezi arhitecturi mai avansate! Vei crea un autoencoder pentru a reconstrui imagini zgomotoase, vei vizualiza activările rețelelor neuronale convoluționale, vei folosi modele pre-antrenate de dimensiuni mari pentru a clasifica imagini și vei afla mai multe despre rețelele neuronale recurente și lucrul cu text, construind o rețea care prezice următorul cuvânt dintr-o propoziție.

Exercise 1: Tensori, straturi și autoencodere Exercise 2: Un flux de tensori Exercise 3: Separare neuronală Exercise 4: Construirea unui autoencoder Exercise 5: Eliminarea zgomotului cu un autoencoder Exercise 6: Introducere în CNN-uri Exercise 7: Construirea unui model CNN Exercise 8: Explorând convoluțiile Exercise 9: Pregătirea imaginii de intrare Exercise 10: Folosind un model din lumea reală Exercise 11: Introducere în LSTM-uri Exercise 12: Predicția textului cu LSTM-uri Exercise 13: Construiește modelul tău LSTM Exercise 14: Decodifică predicțiile Exercise 15: Testează-ți modelul!Exercise 16: Ai terminat!