I det här kapitlet bekantar du dig med grunderna i Keras funktionella API. Du bygger ett enkelt funktionellt nätverk med funktionella byggblock, anpassar det till data och gör prediktioner.

Keras input- och dense-lager

Indatalager

Täta lager

Utdatalager

Bygg och kompilera en modell

Bygg en modell

Kompilera en modell

Visualisera en modell

Träna och utvärdera en modell

Träna modellen på basketturneringsdatan

Utvärdera modellen på en testmängd

Keras funktionella API

I det här kapitlet bygger du nätverk med två ingångar som använder kategoriinbäddningar för att representera data med hög kardinalitet, delade lager för att definiera återanvändbara byggblock, och sammanslagningslager för att kombinera flera ingångar till en enda utgång. När du är klar med kapitlet har du de grundläggande byggblocken för att utforma neurala nätverk med komplexa dataflöden.

Kategoriska inbäddningar

Definiera lagsökning

Definiera lagmodellen

Delade lager

Definiera två indatalager

Slå upp båda indata i samma modell

Sammanslagningslager

Utdatalager med delat lager

Modell med två indata och en utdata

Gör förutsägelser med din modell

Träna modellen på säsongsdata

Utvärdera modellen på turneringens testdata

Nätverk med två ingångar: kategoriinbäddningar, delade lager och sammanslagningslager

I det här kapitlet utökar du din modell med 2 ingångar till 3 ingångar och lär dig använda Keras sammanfattnings- och plotfunktioner för att förstå parametrarna och topologin i dina neurala nätverk. När du är klar med kapitlet förstår du hur du utökar en modell från 2 till 3 ingångar och bortom.

Modeller med tre indata

Skapa ett indatalager för hemma- kontra bortalag

Skapa och kompilera en modell

Träna modellen och utvärdera

Sammanfatta och visualisera modeller

Modellsammanfattningar

Visualisera modeller

Att stapla modeller

Lägg till modellens förutsägelser i turneringsdata

Skapa ett indatalager med flera kolumner

Träna modellen

Utvärdera modellen

Flera ingångar: 3 ingångar och mer

I det här kapitlet bygger du neurala nätverk med flera utgångar, vilket kan användas för att lösa regressionsproblem med flera mål. Du bygger även en modell som löser ett regressionsproblem och ett klassificeringsproblem samtidigt.

Modeller med två utdata

Enkel modell med två utdata

Träna en modell med två utdata

Inspektera modellen (I)

En modell för klassificering och regression

Klassificering och regression i en och samma modell

Kompilera och träna modellen

Inspektera modellen (II)

Utvärdera på nya data med två mätvärden

Avslutning

Flera utgångar

Basketball models

Basketball data

Den här kursen visar hur du löser en mängd olika problem med hjälp av det mångsidiga Keras funktionella API. Du börjar med enkla täta flerlagersnätverk (även kända som flerlagers perceptroner) och går sedan vidare till mer avancerade arkitekturer. Kursen tar upp hur du bygger modeller med flera ingångar och en enda utgång, samt hur du delar vikter mellan lager i en modell. Vi går även igenom avancerade ämnen som kategoriinbäddningar och nätverk med flera utgångar. Om du någonsin velat träna ett nätverk som hanterar både klassificering och regression – då är den här kursen för dig!

<h2>Keras funktionella API</h2>
I den här kursen lär du dig hur du löser komplexa problem med Keras funktionella API. <br><br> Med en introduktion som utgångspunkt kommer du att bygga enkla funktionella nätverk, anpassa dem till data och göra förutsägelser. Du kommer också att lära dig hur man konstruerar modeller med flera indata och en enda utdata samt delar vikter mellan lager​.<br><br>
<h2>Nätverk med flera indata</h2>Allt eftersom du går vidare får du utforska hur man bygger nätverk med två indata med hjälp av kategoriska inbäddningar, delade lager och sammanslagningslager. Dessa är de grundläggande byggstenarna för att utforma neurala nätverk med komplexa dataflöden. <br><br> Det utvidgar dessa koncept till modeller med tre eller fler indata, och hjälper dig att förstå parametrarna och topologin i dina neurala nätverk med hjälp av Keras sammanfattnings- och plotfunktioner​​.<br><br><h2>Nätverk med flera utdata</h2>I de avslutande interaktiva övningarna arbetar du med nätverk med flera utdata, som kan lösa regressionsproblem med flera mål och till och med hantera både regressions- och klassificeringsuppgifter samtidigt. <br><br> I slutet av kursen kommer du att ha praktisk erfarenhet av avancerade tekniker inom djupinlärning för att ta din karriär som data scientist vidare, inklusive att utvärdera dina modeller på ny data med hjälp av flera mätvärden​. <br><br>

Modellsammanfattningar

Avancerad djupinlärning med Keras

Interaktiv övning med praktiskt arbete