Deep Learning med Keras & TensorFlow - e-learning (Djupinlärning)

Deep Learning med Keras & TensorFlow - e-learning

Deep learning är ett av de senaste tekniska framstegen inom artificiell intelligens och maskininlärning. Den här kursen om djup inlärning med Keras och TensorFlow är utformad för att hjälpa dig att behärska tekniker för djup inlärning och gör det möjligt för dig att bygga modeller för djup inlärning med hjälp av ramverken Keras och TensorFlow. Dessa ramverk används i forskning om djupa neurala nätverk och maskininlärning, vilket i sin tur bidrar till utveckling och implementering av artificiella neurala nätverk.

Deep Learning-kursens huvudfunktioner

• 8X högre interaktion i live online-klasser av branschexperter
• Verkliga industribaserade projekt
• Flexibilitet när det gäller att välja dina online-klasser
• Dedikerade mentorskapssessioner från våra lärare som är experter på branschen.

Kompetenser som omfattas

• Keras and TensorFlow Framework
• PyTorch och dess beståndsdelar
• Image Classification
• Artificial Neural Networks
• Autoencoders
• Deep Neural Networks
• Conventional Neural Networks
• Recurrent Neural Networks
• ADAM Adagrad och Momentum

Programöversikt

Denna Deep Learning-kurs med TensorFlow-certifiering är utvecklad av branschledare och anpassad till de senaste bästa metoderna. Du kommer att behärska begrepp och modeller för djupinlärning med hjälp av ramverken Keras och TensorFlow genom den här TensorFlow-kursen. Lär dig att implementera algoritmer för djupinlärning med vår TensorFlow-utbildning och förbered dig för en karriär som Deep Learning Engineer. Uppnå vår certifiering för djupinlärning och skaffa dig en konkurrensfördel gentemot dina kollegor i nästa intervju.

Efterfrågan på skickliga Deep Learning Engineers blomstrar inom en mängd olika branscher, vilket gör att denna certifieringsutbildning för Deep Learning-kurs med Keras och Tensorflow lämpar sig väl för yrkesverksamma på mellannivå till avancerad nivå. Vi rekommenderar denna certifieringsutbildning i djupinlärning särskilt för mjukvaruingenjörer, datavetare, dataanalytiker och statistiker med intresse för djupinlärning.

Efterfrågan på skickliga ingenjörer inom djupinlärning blomstrar inom ett stort antal branscher, vilket gör att denna certifieringsutbildning för djupinlärning med Keras och Tensorflow är väl lämpad för yrkesverksamma på mellannivå till avancerad nivå. Vi rekommenderar den här certifieringsutbildningen i djupinlärning särskilt för programvaruingenjörer, datavetare, dataanalytiker och statistiker med intresse för djupinlärning.

Eleverna måste ha en grundexamen eller en gymnasieexamen. Bekännelse med programmeringens grunder, en rimlig förståelse för grunderna i statistik och matematik och en god förståelse för begrepp inom maskininlärning.

Programmets egenskaper:

• 34 timmars blandad inlärning
• Ett industribaserat projekt i slutet av kursen
• Interaktivt lärande med Jupyter notebooks integrerade labb
• Särskilda mentorskapssessioner från lärare med branschexperter.

Leveransmetod för detta utbildningsprogram

Programmet erbjuder en unik kombinerad lösning: E-learning och virtuella ’live’ klassrumskurser. Under lektionerna har du kontakt med utbildaren och andra deltagare. Du kan ställa alla dina frågor. Om du vill delta kommer vi att ha ett antal sessioner som du kan delta i och vi kommer också att spela in sessionerna. Du kommer aldrig att missa möjligheten att delta.

Målgrupp:

• Programvaru- och IT-personal som är intresserade av analys
• Data scientists/ Datavetare
• Affärs- och dataanalytiker som vill förstå tekniker för djupinlärning.
• Statistiker som är intresserade av djupinlärning

Viktiga lärandemål:

När du har avslutat denna kurs i djupinlärning kommer du att kunna uppnå följande:

• Förstå begreppen Keras och TensorFlow, dess huvudfunktioner, operationer och utförandet av pipeline.
• Implementera djupinlärningsalgoritmer, förstå neurala nätverk och gå igenom lager av dataabstraktion.
• Behärska och förstå avancerade ämnen som konvolutionella neurala nätverk, återkommande neurala nätverk, utbildning av djupa nätverk och gränssnitt på hög nivå.
• Bygga modeller för djupinlärning med hjälp av ramverken Keras och TensorFlow och tolka resultaten
• Förstå språket och de grundläggande begreppen för artificiella neurala nätverk, tillämpning av autoenkoder samt Pytorch och dess delar.
• Felsöka och förbättra modeller för djupinlärning.
• Bygg ditt eget projekt för djupinlärning.
• Skilja mellan maskininlärning, djupinlärning och artificiell intelligens.

När du har slutfört kursen Deep Learning med TensorFlow-certifiering kommer du att tilldelas ett branscherkänt certifikat för Deep Learning-certifieringskursen som har livslång giltighet.

Detaljer och kriterier för certifiering:

• Krav: Minst 85 procents närvaro i ett virtuellt klassrum.
• Ett resultat på minst 75 procent i bedömningen i slutet av kursen.
• Godkänd utvärdering i projektet i slutet av kursen.

Kursplan:

Lektion 01 - Introduktion till kursen

• Introduktion

Lektion 02 - Introduktion till AI och djupinlärning

• Vad är AI och djupinlärning?
• AI:s korta historia
• Återblick: SL, UL och RL
• Djupinlärning: Framgångar under det senaste decenniet
• Demonstration och diskussion: Objektdetektering i självkörande bilar
• Tillämpningar av djup inlärning
• Utmaningar i samband med djup inlärning
• Demonstration och diskussion: Sentimentanalys med hjälp av LSTM
• Hela cykeln för ett projekt om djup inlärning
• Viktiga behållningar
• Kunskapskontroll

Lektion 03 - Artificial Neural Network

• Biologisk neuron och perceptron
• Grunt neuralt nätverk
• Träning av en perceptron
• Demokod nr 1: Perceptron (linjär klassificering)
• Backpropagation
• Aktiveringsfunktionernas och backpropagationens roll
• Demokod nr 2: Aktiveringsfunktion
• Demokod nr 3: Illustration av backpropagering
• Optimering
• Reglering
• Utelämnande av skiktet
• Demokod #4: Illustration av utfällning, övning i slutet av lektionen (klassificering av Kaggle-dataset)
• Viktiga behållningar
• Kunskapskontroll
• Projekt i slutet av lektioner

Lektion 04 - Deep Neural Network & Tools

• Deep Neural Network: Varför och tillämpningar
• Utformning av ett djupt neuralt nätverk
• Hur väljer du din förlustfunktion?
• Verktyg för modeller för djup inlärning
• Keras och dess element
• Demokod #5: Bygg en modell för djupinlärning med hjälp av Keras
• Tensorflow och dess ekosystemDemo Code #6: Bygg en modell för djupinlärning med hjälp av Tensorflow
• TFlearn
• Pytorch och dess element
• Demokod #7: Bygg en modell för djupinlärning med hjälp av Pytorch
• Demokod #8: Övning i slutet av lektionen
• Viktiga behållningar
• Kunskapskontroll
• Projekt i slutet av lektionen

Lektion 05 - Deep Neural Net optimization, tuning, interpretability

• Optimeringsalgoritmer
• SGD, Momentum, NAG, Adagrad, Adadelta , RMSprop, Adam
• Demokod #9: MNIST-databas
• Normalisering av partier
• Demokod #10
• Exploderande och försvinnande gradienter
• Justering av hyperparametrar
• Demokod #11
• Tolkningsbarhet
• Demokod nr 12: MNIST- projekt i slutet av lektionen med lärdomar om tolkningsbarhet
• Bredd vs. djup
• Viktiga slutsatser
• Kunskapskontroll
• Projekt i slutet av lektionen

Lektion 06 - Convolutional Neural Net

• Framgång och historia
• CNN-nätverkets utformning och arkitektur
• Demokod nr 13: Keras
• Demokod #14: Klassificering av två bildtyper (Kaggle) med hjälp av Keras
• Djupa konvolutionella modeller
• Viktiga behållningar
• Kunskapskontroll
• Lesson-end Project

Lektion 07 - Recurrent Neural Networks

• Sekvensdata
• Tidskänsla
• RNN Introduktion
• Demokod nr 15: Förutsägelse av aktiekurser med RNN
• LSTM (data om detaljhandelsförsäljning, Kaggle)
• Demokod #16:
• Word Embedding and LSTM
• Demokod #17: Sentimentanalys (filmrecension)
• GRUs
• LSTM vs GRU
• Demokod nr 18: Filmrecension (Kaggle), projekt för lektionsavslutning)
• Viktiga behållningar
• Kunskapskontroll
• Projekt i slutet av lektionen

Lektion 08 - Autoencoders

• Introduktion till autoenkoder
• Tillämpningar av autoenkoder
• Autoenkoder för upptäckt av anomalier
• Demokod nr 19: Autoencodermodell för MNIST-data
• Viktiga behållningar
• Kunskapskontroll
• Projekt i slutet av lektionen

Projekt i slutet av kursen:

Projekt: Projektet: Klassificeringsmodell för husdjur med hjälp av CNN

Kursen innehåller ett verkligt, branschbaserat projekt. Framgångsrik utvärdering av följande

Projektet är en del av kriterierna för behörighet till certifiering:

I det här projektet bygger du en CNN-modell som klassificerar de givna husdjursbilderna korrekt i hund- och kattbilder. Kodmallen ges med viktiga kodblock. TensorFlow kan användas för att träna data och beräkna noggrannhetspoängen på testdata.