Sống sót sau một vụ va chạm thiên thạch

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bài tập này là một phần của khóa học

Nhập môn Deep Learning với Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trong chương đầu tiên, bạn sẽ được giới thiệu về mạng nơ-ron, hiểu các loại bài toán mà chúng có thể giải quyết và khi nào nên sử dụng. Bạn cũng sẽ xây dựng một vài mạng và “cứu Trái Đất” bằng cách huấn luyện một mô hình hồi quy để xấp xỉ quỹ đạo của một thiên thạch đang tiến gần chúng ta!

Exercise 1: Keras là gì?Exercise 2: Mô tả Keras Exercise 3: Bạn có dùng deep learning không?Exercise 4: Mạng nơ-ron đầu tiên của bạn Exercise 5: Xin chào, mạng nơ-ron!Exercise 6: Đếm số tham số Exercise 7: Xây dựng như hình!Exercise 8: Sống sót sau một vụ va chạm thiên thạch

Bài tập hiện tại

Exercise 9: Định nghĩa một mô hình Exercise 10: Huấn luyện Exercise 11: Dự đoán quỹ đạo!

Kết thúc chương này, bạn sẽ biết cách giải quyết các bài toán nhị phân, đa lớp và đa nhãn với mạng nơ-ron. Tất cả thông qua các bài toán như phát hiện tiền đô giả, quyết định ai đã ném mũi tên nào vào bảng, và xây dựng hệ thống tưới tiêu thông minh cho nông trại của bạn. Bạn cũng sẽ có thể vẽ các chỉ số huấn luyện của mô hình, dừng huấn luyện và lưu mô hình khi chúng không còn cải thiện nữa.

Exercise 1: Phân loại nhị phân Exercise 2: Khám phá tiền đô la Exercise 3: Mô hình phân loại nhị phân Exercise 4: Tờ đô la này có phải là giả không?Exercise 5: Phân loại đa lớp Exercise 6: Một mô hình đa lớp Exercise 7: Chuẩn bị dữ liệu của bạn Exercise 8: Huấn luyện trên người ném phi tiêu Exercise 9: Dự đoán softmax Exercise 10: Phân loại đa nhãn Exercise 11: Máy tưới tiêu Exercise 12: Huấn luyện với nhiều nhãn (multi-label)Exercise 13: Các callback trong Keras Exercise 14: Callback history Exercise 15: Dừng sớm mô hình của bạn Exercise 16: Kết hợp nhiều callback

Ở các chương trước, bạn đã huấn luyện rất nhiều mô hình! Giờ đây, bạn sẽ học cách diễn giải đường học (learning curves) để hiểu mô hình trong quá trình huấn luyện. Bạn cũng sẽ trực quan hóa ảnh hưởng của hàm kích hoạt, kích thước batch và batch normalization. Cuối cùng, bạn sẽ học cách tối ưu siêu tham số tự động cho các mô hình Keras bằng sklearn.

Exercise 1: Đường học (Learning curves)Exercise 2: Học nhận diện chữ số Exercise 3: Mô hình có đang overfitting không?Exercise 4: Chúng ta có cần thêm dữ liệu không?Exercise 5: Hàm kích hoạt Exercise 6: Các hàm kích hoạt khác nhau Exercise 7: So sánh các hàm kích hoạt Exercise 8: So sánh hàm kích hoạt II Exercise 9: Kích thước batch và batch normalization Exercise 10: Thay đổi kích thước batch Exercise 11: Chuẩn hóa theo batch cho mô hình quen thuộc Exercise 12: Tác động của batch normalization Exercise 13: Điều chỉnh siêu tham số Exercise 14: Chuẩn bị một mô hình để tinh chỉnh Exercise 15: Tinh chỉnh các tham số của mô hình Exercise 16: Huấn luyện với cross-validation

Đến lúc làm quen với các kiến trúc nâng cao hơn! Bạn sẽ tạo một autoencoder để tái tạo ảnh nhiễu, trực quan hóa các kích hoạt của mạng nơ-ron tích chập, dùng các mô hình deep learning tiền huấn luyện để phân loại ảnh và tìm hiểu thêm về mạng hồi tiếp (recurrent) cũng như xử lý văn bản khi bạn xây dựng một mạng dự đoán từ tiếp theo trong câu.

Exercise 1: Tensor, layer và autoencoder Exercise 2: Dòng chảy của các tensor Exercise 3: Phân tách bằng nơ-ron Exercise 4: Xây dựng autoencoder Exercise 5: Khử nhiễu như một autoencoder Exercise 6: Giới thiệu về CNNs Exercise 7: Xây dựng mô hình CNN Exercise 8: Quan sát các phép tích chập Exercise 9: Chuẩn bị ảnh đầu vào của bạn Exercise 10: Dùng một mô hình thực tế Exercise 11: Giới thiệu về LSTM Exercise 12: Dự đoán văn bản với LSTM Exercise 13: Xây dựng mô hình LSTM của bạn Exercise 14: Giải mã dự đoán của bạn Exercise 15: Kiểm tra mô hình của bạn!Exercise 16: Bạn đã hoàn thành!