Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

Introduction to PyTorch, a Deep Learning Library

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.


Aktivasyon fonksiyonlarını keşfetmek

Anlamını etkinleştir!

Sigmoid ve softmax fonksiyonları

İleri geçişi çalıştırma

PyTorch'ta ikili bir sınıflandırıcı oluşturma

Regresyondan çok sınıflı sınıflandırmaya

Model tahminlerini değerlendirmek için loss fonksiyonlarını kullanma

One-hot kodlanmış etiketler oluşturma

Çapraz entropi kaybını hesaplama

Türevleri kullanarak model parametrelerini güncelleme

Model parametrelerine erişme

Ağırlıkları elle güncelleme

PyTorch optimizer'ını kullanma

Neural Network Architecture and Hyperparameters

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

A deeper dive into loading data

Using TensorDataset

Using DataLoader

Writing our first training loop

Using the MSELoss

Writing a training loop

ReLU activation functions

Implementing ReLU

Implementing leaky ReLU

Understanding activation functions

Learning rate and momentum

Experimenting with learning rate

Experimenting with momentum

Training a Neural Network with PyTorch

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.


Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

Evaluating and Improving Models

Water Potability

Face Mask Dataset

Course Glossary

Deep learning akıllı telefon kameralarından sesli asistanlara ve otonom araçlara kadar her yerde. Bu derste, bu güçlü teknolojiyi keşfedecek ve en popüler deep learning kütüphanelerinden biri olan PyTorch ile nasıl kullanacağını öğreneceksin. Dersin sonunda, sınıflandırma ve regresyon problemlerini deep learning kullanarak PyTorch ile çözebileceksin.

Videolarda, sol alttaki "Show transcript" seçeneğine tıklayarak açabileceğin canlı altyazılar bulunur.

Ders sözlüğüne sağ taraftaki kaynaklar bölümünden ulaşabilirsin.

CPE kredisi almak için dersi tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredisi duyurusuna tıklayarak değerlendirmeye gidebilirsin.

<h2>Derin Öğrenmenin Gücünü Anlamak</h2>
Derin öğrenme her yerde: akıllı telefon kameralarında, sesli asistanlarda ve sürücüsüz arabalarda. Hatta protein yapılarının keşfedilmesine ve Go oyununda insanları yenmesine yardımcı olmuştur. Bu güçlü teknolojiyi keşfedin ve en popüler derin öğrenme kütüphanelerinden biri olan PyTorch'u kullanarak bu teknolojiden nasıl yararlanabileceğinizi öğrenin.<br><br>
<h2>İlk sinir ağınızı eğitin</h2>İlk olarak, derin öğrenme ile "klasik" makine öğrenimi arasındaki farkı ele alalım. Sinir ağının eğitim sürecini ve eğitim döngüsünü nasıl yazacağınızı öğreneceksiniz. Bunu yapmak için, regresyon ve sınıflandırma problemleri için kayıp fonksiyonları oluşturacak ve PyTorch'u kullanarak bunların türevlerini hesaplayacaksınız.<br><br><h2>Modelinizi değerlendirin ve iyileştirin</h2>İkinci yarıda, modelinizi iyileştirmek için ayarlayabileceğiniz farklı hiperparametreleri öğrenin. Sinir ağının farklı bileşenlerini öğrendikten sonra, daha büyük ve daha karmaşık mimariler oluşturabileceksiniz. Model performansınızı ölçmek için, model değerlendirmesi için bir PyTorch kütüphanesi olan TorchMetrics'i kullanacaksınız. <br><br>Tamamlandığında, PyTorch'u kullanarak derin öğrenme ile hem tablo hem de görüntü verilerinde sınıflandırma ve regresyon problemlerini çözebileceksiniz. Kariyerlerinde ilerlemek isteyen deneyimli veri uzmanları için hayati bir yetkinlik.

Supervised Learning with scikit-learn

Introduction to NumPy

Python Toolbox

PyTorch ile ilk sinir ağınızı oluşturmayı, hiperparametreleri ayarlamayı ve sorunları çözmeyi öğrenin.

PyTorch ile Deep Learning'e Giriş

PyTorch'ta ilk sinir ağınızı oluşturmayı, hiperparametreleri ayarlamayı ve sınıflandırma ve regresyon problemlerini çözmeyi öğrenin.

Veri Bilimcileri için Yardımcı Yapay Zeka Mühendisi

Derin Öğrenme Python'da

Makine Öğrenimi Temelleri Python'da

Makine Öğrenimi Bilimcisi Python'da

Senior Data Science Content Developer, DataCamp

Kayıp fonksiyonlarıyla model tahminlerini değerlendirme

Neden bir kayıp fonksiyonuna ihtiyacımız var?

One-hot encoding kavramları

Etiketleri one-hot encoding ile dönüştürme

PyTorch'ta çapraz entropi kaybı

Hepsini bir araya getirme

Hadi pratik yapalım!

Neural Network Architecture and Hyperparameters - Model tahminlerini değerlendirmek için loss fonksiyonlarını kullanma

Model tahminlerini değerlendirmek için loss fonksiyonlarını kullanma

Create Your Free Account