I det här kapitlet bekantar du dig med de grundläggande begreppen och termerna inom djupinlärning, och förstår varför djupinlärningstekniker är så kraftfulla i dag. Du bygger enkla neurala nätverk och genererar prediktioner med dem.

Introduktion till djupinlärning

Jämförelse av neurala nätverksmodeller med klassiska regressionsmodeller

Framåtpropagering

Koda algoritmen för framåtpropagering

Aktiveringsfunktioner

Den rektifierade linjära aktiveringsfunktionen

Tillämpa nätverket på många observationer/rader med data

Djupare nätverk

Framåtpropagering i ett djupare nätverk

Neurala nätverk med flera lager

Representationer lärs in

Representationsnivåer

Grunderna i djupinlärning och neurala nätverk

Lär dig hur du optimerar de prediktioner som dina neurala nätverk genererar. Du använder en metod som kallas bakåtpropagering – en av de viktigaste teknikerna inom djupinlärning. Att förstå hur den fungerar ger dig en solid grund att bygga vidare på under kursens andra hälft.

Behovet av optimering

Beräkna modellfel

Förstå hur vikter påverkar modellens noggrannhet

Hur viktändringar påverkar noggrannheten

Skala upp till flera datapunkter

Gradientnedstigning

Beräkna lutningar

Förbättra modellens vikter

Flera viktuppdateringar i rad

Backpropagation

Sambandet mellan framåtpropagering och bakåtpropagering

Tänka kring bakåtpropagering

Backpropagation i praktiken

En omgång backpropagation

Optimera ett neuralt nätverk med bakåtpropagering

I det här kapitlet använder du Keras-biblioteket för att bygga djupinlärningsmodeller för både regression och klassificering. Du lär dig om arbetsflödet Specificera–Kompilera–Anpassa, som du kan använda för att göra prediktioner. I slutet av kapitlet har du alla verktyg som krävs för att bygga djupa neurala nätverk.

Skapa en Keras-modell

Förstå dina data

Specificera en modell

Kompilera och träna en modell

Kompilera modellen

Träna modellen

Klassificeringsmodeller

Förstå din klassificeringsdata

Sista stegen i klassificeringsmodeller

Använda modeller

Göra förutsägelser

Bygg djupinlärningsmodeller med Keras

Lär dig hur du optimerar dina djupinlärningsmodeller i Keras. Du börjar med att validera dina modeller, undersöker sedan begreppet modellkapacitet och experimenterar slutligen med bredare och djupare nätverk.

Att förstå modelloptimering

Identifiera optimeringsproblem

Ändra optimeringsparametrar

Modellvalidering

Utvärdera modellens noggrannhet på valideringsdataset

Early stopping: Optimera optimeringen

Experimentera med bredare nätverk

Lägga till lager i ett nätverk

Att tänka på modellkapacitet

Experimentera med modellstrukturer

Från text till bilder

Bygg en egen modell för sifferigenkänning

Avslutande tankar

Finjustera Keras-modeller

Titanic

Hourly wages

MNIST

Djupinlärning är den maskininlärningsmetod som ligger bakom de mest spännande framstegen inom områden som robotik, naturlig språkbehandling, bildigenkänning och artificiell intelligens – inklusive det berömda AlphaGo. I den här kursen får du praktisk, hands-on-kunskap om hur du använder djupinlärning med Keras 2.0, den senaste versionen av ett ledande bibliotek för djupinlärning i Python.

<h2>Upptäck tillämpningar av djupinlärning </h2>
Deep learning är maskininlärningstekniken bakom de mest spännande möjligheterna inom robotik, naturlig språkbehandling, bildigenkänning och artificiell intelligens. I denna 4-timmarskurs får du praktisk, hands-on kunskap om hur du tillämpar dina Python-kunskaper på deep learning med biblioteket Keras 2.0.
<br><br>
<h2>Utforska Keras-modeller med en biblioteksbidragsgivare</h2>
Undervisad av den tidigare Google-dataforskaren och Keras-bidragsgivaren Dan Becker utforskar denna kurs i djupinlärning neurala nätverksmodeller och hur du kan generera förutsägelser med dem. De första kapitlen kommer att fördjupa din förståelse för både framåt- och bakåtpropagering och hur de fungerar i praktiken.
<br><br>
Keras-biblioteket är ett Python-bibliotek som kan hjälpa dig att utveckla och utvärdera djupinlärningsmodeller. Precis som många Python-bibliotek är det gratis, öppen källkod och mycket användarvänligt. Du börjar med att skapa en Keras-modell och lär dig sedan hur du kompilerar, tränar och klassificerar den innan du gör förutsägelser. När du har slutfört den här kursen kommer du att ha alla verktyg du behöver för att bygga djupa neurala nätverk och börja experimentera med bredare och djupare nätverk över tid.
<br><br>
<h2>Fördjupa dig ytterligare i djupinlärning</h2>
Den här kursen är en del av flera spår inom maskininlärning och djupinlärning och ger dig tydliga vägar att bygga vidare på dina färdigheter och din erfarenhet inom området när du har slutfört introduktionskursen, oavsett om du vill genomföra ett personligt projekt eller ta steget mot en karriär som Machine Learning Scientist.

Supervised Learning with scikit-learn

Anmäl dig till vår kurs i Deep Learning med Python. Lär dig NLP, bildigenkänning och AI med Keras.

Introduktion till djupinlärning i Python

Lär dig grunderna i neurala nätverk och hur du bygger deep learning-modeller med Keras 2.0 i Python. 

Identifiera optimeringsproblem

Introduktion till djupinlärning i Python

Interaktiv övning med praktiskt arbete