Convolutional neural networks use the data that is represented in images to learn. In this chapter, we will probe data in images, and we will learn how to use Keras to train a neural network to classify objects that appear in images. 

Introducing convolutional neural networks

Images as data: visualizations

Images as data: changing images

Classifying images

Using one-hot encoding to represent images

Evaluating a classifier

Classification with Keras

Build a neural network

Compile a neural network

Fitting a neural network model to clothing data

Cross-validation for neural network evaluation

Image Processing With Neural Networks

Convolutions are the fundamental building blocks of convolutional neural networks. In this chapter, you will be introducted to convolutions and learn how they operate on image data. You will also see how you incorporate convolutions into Keras neural networks. 

Evrişimler

Bir boyutlu kıvrımlar

Görüntü evrişimleri

Görüntü evrişim çekirdeklerini tanımlama

Keras'ta görüntü evrişimlerini uygulama

Görüntü sınıflandırma için evrişimsel ağ

Giyim türlerini sınıflandırmak için bir CNN eğitme

Bir CNN'i test verileriyle değerlendirme

Evrişimlerini ince ayar yapma

Bir CNN'e padding ekle

Bir evrişimli ağa stride ekle

Evrimsel katman çıkış boyutunu hesapla

Using Convolutions

Convolutional neural networks gain a lot of power when they are constructed with multiple layers (deep networks). In this chapter, you will learn how to stack multiple convolutional layers into a deep network. You will also learn how to keep track of the number of parameters, as the network grows, and how to control this number.

Going deeper

Creating a deep learning network

Train a deep CNN to classify clothing images

What is special about a deep network?

How many parameters?

How many parameters in a CNN?

How many parameters in a deep CNN?

Pooling operations

Write your own pooling operation

Keras pooling layers

Train a deep CNN with pooling to classify images

Going Deeper

There are many ways to improve training by neural networks. In this chapter, we will focus on our ability to track how well a network is doing, and explore approaches towards improving convolutional neural networks.

Tracking learning

Plot the learning curves

Using stored weights to predict in a test set

Regularization

Adding dropout to your network

Add batch normalization to your network

Interpreting the model

Extracting a kernel from a trained network

Shape of the weights

Visualizing kernel responses

Next steps

Understanding and Improving Deep Convolutional Networks

Görüntü modelleme, çeşitli Machine Learning görevleri için sinir ağı algoritmalarını verilerle eğiten derin öğrenme yöntemlerini sıklıkla gerektirir. Evrişimsel sinir ağları (CNN'ler), görüntülerin analizinde farklı nesne türlerini sınıflandırmak için kullanacağın özellikle güçlü sinir ağlarıdır. Bu dört saatlik kursta, Keras kullanarak CNN'leri nasıl kuracağın, eğiteceğin ve değerlendireceğin anlatılacak.

<h2>Python'da Evrişimli Sinir Ağlarını Kullanmayı Öğrenin</h2>

  Görüntü modeli genellikle, sinir ağlarını eğitmek için verileri kullanan derin öğrenme yöntemlerini gerektirir.

  çeşitli makine öğrenimi görevlerini gerçekleştirmek için ağ algoritmaları. Konvolüsyonel sinir ağı

  sinir ağları (CNN'ler), kullanacağınız özellikle güçlü sinir ağlarıdır.

  görüntülerin analizi için farklı türdeki nesneleri sınıflandırmak. Bu dört saatlik

  Bu kurs, Keras kullanarak CNN'leri nasıl oluşturacağınızı, eğiteceğinizi ve değerlendireceğinizi öğretecektir.

  <br><br>

  Görüntüleri veriye dönüştürmek ve sinir ağlarına bunları sınıflandırmayı öğretmek bir

  derin öğrenmenin zorlu unsuru, geniş uygulama alanları ile

  iş ve araştırma, bir e-ticaret sitesinin envanter yönetimine yardımcı olmaktan daha fazlasını

  kanser araştırmacılarının tehlikeli melanomları hızlı bir şekilde tespit etmelerini kolaylaştırır.

  <br><br>

  <h2>Keras CNN'leri keşfedin</h2>

  Bu dersin ilk bölümü, görüntülerin nasıl veri olarak görülebileceğini ve

  Keras'ı kullanarak nesneleri sınıflandırmak için bir sinir ağını nasıl eğitebilirsiniz?

  görüntüler.

  <br><br>

  İkinci bölümde, CNN'lerin temel bir parçası olan konvolüsyonlar ele alınacaktır. Sen

  görüntü verileri üzerinde nasıl çalıştıklarını öğrenin ve bunları nasıl eğiteceğinizi ve ayarlayacağınızı öğrenin

  Test verilerini kullanan Keras CNN. Sonraki bölümlerde daha ayrıntılı bilgiler verilmekte ve size öğretilmektedir.

  derin öğrenme ağı nasıl oluşturulur.

  <br><br>

  <h2>Kendi Keras Sinir Ağınızı Oluşturun</h2>

  Kursu, nasıl takip edebileceğinizi öğrenerek bitireceksiniz.

  CNN'in performansı ve performansını nasıl iyileştirebileceğiniz. Bu noktada,

  Keras sinir ağları oluşturabilir, bunları optimize edebilir ve görselleştirebilirsiniz.

  çeşitli uygulamalarda verdikleri yanıtlar.

Introduction to Deep Learning with Keras

Keras ve Python ile derin öğrenmeyi kullanarak görüntü verilerini analiz etmeyi öğrenin.

Keras ile Görüntü Modellemesi

Keras ile Python kullanarak görüntü analizi yapmayı öğrenin. Bunun için evrişimli sinir ağları oluşturun, eğitin ve değerlendirin. 

Görüntü İşleme Python'da

Keras Temelleri

Evrimsel katman çıkış boyutunu hesapla

Keras ile Görüntü Modellemesi

Uygulamalı interaktif egzersiz