Upptäck tillämpningar av djupinlärning

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.

Utforska Keras-modeller med en biblioteksbidragsgivare

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.

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.

Fördjupa dig ytterligare i djupinlärning

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.

Sambandet mellan framåtpropagering och bakåtpropagering

Introduktion till djupinlärning i Python

Interaktiv övning med praktiskt arbete