Deep Learning med Keras & TensorFlow - eLearning
4.900,00 SEK
- 34 hours
Denna kurs i djupinlärning med TensorFlow-certifieringsträning är utvecklad av branschledare och är i linje med de senaste bästa praxis. Du kommer att bemästra koncept och modeller för djupinlärning genom att använda Keras och TensorFlow-ramverken. Lär dig att implementera algoritmer för djupinlärning med vår TensorFlow-träning och förbered dig för en karriär som djupinlärningsingenjör. Uppnå vår certifiering inom djupinlärning och få en konkurrensfördel över dina kollegor i din nästa anställningsintervju. Efterfrågan på kvalificerade djupinlärningsingenjörer ökar över en rad olika branscher, vilket gör denna kurs i djupinlärning med Keras och TensorFlow-certifieringsträning väl lämpad för yrkesverksamma på mellan till avancerad nivå. Vi rekommenderar denna certifieringsträning inom djupinlärning, särskilt för mjukvaruingenjörer, dataforskare, dataanalytiker och statistiker med intresse för djupinlärning.
Kurstidslinje
Kursintroduktion
Lektion 01
- Kursintroduktion
AI och introduktion till djupinlärning
Lektion 02
- Vad är AI och djupinlärning
- Kort historik över AI
- Sammanfattning: SL, UL och RL
- Djupinlärning: Framgångar det senaste decenniet
- Demo och diskussioner: Objektdetektering för självkörande bilar
- Tillämpningar av djupinlärning
- Utmaningar med djupinlärning
- Demo och diskussioner: Sentimentsanalys med LSTM
- Hela cykeln för ett djupinlärningsprojekt
- Viktiga punkter
- Kunskapskontroll
Ett kritiskt neutralt nätverk
Lektion 03
- Biologisk neuron jämfört med perceptron
- Ytligt neutralt nätverk
- Träna en uppfattning
- Demokod #1: Uppfattning (Linjär klassificering)
- Bakåtpropagering
- Rollen av aktivering, funktioner och bakåtpropagering
- Demokod #2: Aktiveringsfunktion
- Demokod #3: Illustration av bakåtpropagering
- Optimerar
- Regularisering
- Frånkopplingslager
- Demokod #4: Illustration av Dropout, Lektionsslutövning (Klassificering Kaggle Dataset).
- Viktiga slutsatser
- Kunskapskontroll
- Lektion - slutprojekt
Djupa neutrala nätverk & verktyg
Lektion 04
- Djupa neuronnät: Varför och tillämpningar
- Att designa ett djupt neuralt nätverk
- Hur väljer du din förlustfunktion?
- Verktyg för djupinlärningsmodeller
- Keras och dess element
- Demokod #5: Bygg en djupinlärningsmodell - - - Med Keras
- TensorFlow och dess ekosystem
- Demokod #6: Bygg en djupinlärningsmodell - - - Användande av Tensorflow
- TFlearn
- Pytorch och dess element
- Demokod #7: Bygg en djupinlärningsmodell - - - Använd Pytorch
- Demokod #8: Övningsuppgift vid lektionens slut
- Viktiga punkter
- Kunskapskontroll
- Projekt vid lektionens slut
Optimering av djupa neuronnät, finjustering, tolkningsbarhet
Lektion 05
- Optimeringsalgoritmer
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Demokod #9: MNIST-dataset
- Satsnormalisering
- Demokod #10
- Exploderande och Försvinnande Gradienter
- Inställning av hyperparametrar
- Demokod #11
- Tolkningsbarhet
- Demokod#12: MNIST– Lektionsslut
- Projekt med tolkningslektioner
- Bredd kontra djup
- Viktiga slutsatser
- Kunskapskontroll
- Projekt vid lektionens slut
Faltmässigt neuronnät
Lektion 06
- Framgång och historia
- CNN-nätverksdesign och arkitektur
- Demokod #13: Keras
- Demokod #14: Klassificering av två bildtyper (Kaggle), Användning av Keras
- Djupa konvolutionella modeller
- Viktiga punkter
- Kunskapskontroll
- Projekt vid lektionens slut
Återkommande neurala nätverk
Lektion 07
- Sekvensdata
- Tidsuppfattning
- Introduktion till RNN
- Demokod #5: Förutsägelse av aktiepriser med RNN
- LSTM (Detaljhandelsförsäljningsdataset från Kaggle)
- Demokod #16: Ordinbäddning och LSTM
- Demokod #17: Sentimentsanalys (Filmrecension)
- Viktiga slutsatser
- Kunskapskontroll
- Lektion - slutprojekt
Autoenkoder
Lektion 08
- Introduktion och autoenkodare
- Tillämpningar av autoenkodare
- Autoencoder för avvikelsedetektering
- Demokod #19: Autoencoder-modell för MNIST-data
- Kunskapskontroll
- Lektion - slut Projekt
Projekt: Husdjursklassificeringsmodell med CNN
Projekt 01
Kursen inkluderar ett verkligt branschbaserat projekt. Framgångsrik bedömning av följande projekt är en del av behörighetskriterierna för certifiering:
I detta projekt ska du bygga en CNN-modell som korrekt klassificerar de givna bilderna på husdjur som antingen hundar eller katter. En kodmall med nödvändiga kodblock tillhandahålls. TensorFlow kan användas för att träna data och beräkna noggrannhetspoängen på testdatan.
Lärandemål
Vid slutet av denna eLearning-kurs i djupinlärning med Keras & TensorFlow kommer du att kunna:
Förstå koncepten med Keras och TensorFlow, dess huvudfunktioner, operationer och exekveringsflöde
Implementera djupinlärningsalgoritmer, förstå neurala nätverk och navigera genom lagren av dataabstraktion
Bemästra och förstå avancerade ämnen såsom konvolutionella neuronnät, återkommande neuronnät, träning av djupa nätverk och högnivågränssnitt
Bygg djupinlärningsmodeller med hjälp av ramverken Keras och TensorFlow och tolka resultaten
Förstå språket och de grundläggande koncepten för artificiella neuronnät, tillämpning av autoenkodare, samt Pytorch och dess element
Felsök och förbättra djupinlärningsmodeller
Bygg ditt djupinlärningsprojekt
Särskilj mellan maskininlärning, djupinlärning och artificiell intelligens
Nyckelfunktioner
34 timmar av blandat lärande
Ett branschbaserat kursavslutningsprojekt
Interaktivt lärande med integrerade labbar i Jupyter-anteckningsböcker
Dedikerad mentorskapssession från fakultet av branschexperter
Vem bör anmäla sig till denna kurs?
Studerande behöver inneha en kandidatexamen eller en gymnasieexamen. Dessutom krävs det grundläggande kunskaper inom programmering, en god förståelse för statistikens och matematikens grunder samt en välgrundad förståelse för koncepten inom maskininlärning.
AI-ingenjörer
Dataanalytiker
Mjukvaruingenjörer
Studenter i grundutbildnings-/avancerade program
Dataanalytiker
Behöver du en företagslösning eller integration av LMS?
Hittade du inte kursen eller programmet som skulle passa för ditt företag? Behöver du LMS-integration? Skriv till oss! Vi löser det!