TensorFlow für Einsteiger: neuronale Netze

Name: TensorFlow für Einsteiger: neuronale Netze
Author: Josh Turner

Lernen Sie die grundlegenden Konzepte neuronaler Netze kennen und erforschen Sie die Anwendungen von TensorFlow, um diese aufzubauen

Preview the first lesson free — get full access to all 3 lessons.

Demo anfragen Anmelden

Kurs: On-Demand

Hallo, mein Name ist Josh Turner. In diesen Lektionen lernen Sie verschiedene Modelltypen kennen. Lass uns anfangen. Das erste, was wir diskutieren möchten, sind überwachte Modelle. Betreute Modelle sind Modelle, bei denen Sie jederzeit Zeit haben beschriftete Daten für Ihre Trainings- oder Ausgabedaten. Nehmen wir also an, ich habe ein binäres Modell, das ich versuche zwei verschiedene Dinge vorhersagen. Vielleicht ist jemand krank oder jemand ist nicht krank. In diesem Fall habe ich in meinem Datensatz Beschriftungen für „krank“ und „nicht krank“. und das wäre ein Beispiel für ein überwachtes Modell. Beaufsichtigte Modelle gibt es in vielen Ausführungen. Lassen Sie uns nur einige der Arten überwachter Modelle besprechen. Jede Art von Regressionsmodell kann als betrachtet werden betreutes Modell. Zum Beispiel künstliche neuronale Netze. Dabei handelt es sich um überwachte Lernmodelle. Zeitreihen, in denen Sie versuchen, etwas vorherzusagen Ausgabedaten. Zum Beispiel Umsatz oder Krankheitsprävalenz. Und Entscheidungsbäume sind alles Beispiele für überwachte Modelle. Weitere Beispiele für überwachte Modelle schlüsseln das noch weiter auf Arten von Methoden des maschinellen Lernens. So haben wir zum Beispiel Regression und Klassifizierung Modelle. Dies sind beide Arten von überwachten Modellen. Faltungs-Neuronale Netze unterstützen Vektormaschinen und Auch hier sehen Sie Entscheidungsbäume sowohl als Regression als auch als Einstufung. Das sind alles Arten von überwachten Lernmodellen. Jetzt wissen und verstehen wir, was es bedeutet, ein zu sein betreutes Modell. Es handelt sich um jede Art von Modell, bei dem Ihre Daten eine Bezeichnung haben und Sie versuchen, etwas über dieses Etikett vorherzusagen. Der andere Modelltyp, den wir betrachten können, ist unbeaufsichtigt Lernmodelle. Es gibt viele verschiedene Arten unbeaufsichtigter Lernmodelle sowie. Ich verrate Ihnen viele Namen dieser Modelle. Wir werden nicht näher darauf eingehen, aber Sie werden es zumindest wissen Namen der Modelle zum späteren Nachschlagen. Unbeaufsichtigte Modelle werden nicht mit Etiketten geliefert. Wir versuchen also möglicherweise nicht, etwas anderes zu verstehen oder vorherzusagen Arten von Etiketten. Zu den verschiedenen Beispielen für unbeaufsichtigte Modelle gehören: folgende. Das k-Means-Modell. Clustering-Modelle sind gute Beispiele für unbeaufsichtigte Modelle. PCA oder Hauptkomponentenanalyse. Ein Modell namens DBSCAN, bei dem es sich um einen Dichte-Clustering-Typ handelt Modell. Das sind Ausreißermethoden, die Sie vielleicht schon einmal gesehen haben auch unbeaufsichtigte Lernmodelle. Und es gibt wirklich verschiedene Arten der dichtebasierten Schätzung gesehen werden als unbeaufsichtigte Lernmodelle. Okay, das sind also einige verschiedene Arten von unbeaufsichtigtem Verhalten Lernmodelle. Lassen Sie uns als Nächstes über zwei verschiedene Modellklassen sprechen. Das erste, worüber wir sprechen werden, sind parametrische Modelle. Parametrische Modelle sind alle Arten von Modellen, von denen Sie welche haben Art der Parameter, die abgestimmt werden müssen. So könnten Sie beispielsweise die Parameter von anpassen Gewichte und Bias eines neuronalen Netzwerks. Das wäre ein Beispiel für ein parametrisches Modell. Weitere Beispiele sind Faltungs-Neuronale Netze und grundlegende lineare Regression. Im Gegensatz dazu haben wir einen Modelltyp namens nichtparametrisch Modelle. Nichtparametrische Modelle sind die Art von Modellen, die Sie erstellen, wenn Sie verwenden grundlegende deskriptive Statistiken. Und ein gutes Beispiel dafür ist die Bayes'sche Folgerung. Danke fürs zuschauen. Seien Sie gespannt auf die nächste Lektion, in der Sie mehr darüber erfahren künstliche neurale Netzwerke.

Anfänger Anbieter : Josh Turner 3 Lektionen · 19m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

Neuronale Netze sind zu einem festen Bestandteil des maschinellen Lernens geworden und können in einer Vielzahl von Anwendungen eingesetzt werden, von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache. In diesen Lektionen werden Sie die grundlegenden Konzepte neuronaler Netze kennenlernen, einschließlich künstlicher neuronaler Netze (ANNs) und der Methode der kleinsten Quadrate. Sie werden erforschen, wie man ein ANN mit TensorFlow aufbaut und wie man die Methode der kleinsten Quadrate verwendet, um seine Leistung zu optimieren.

Im weiteren Verlauf werden Sie sich mit den Convolutional Neural Networks (CNNs) beschäftigen, einer Art von neuronalen Netzwerken, die häufig in der Bildverarbeitung eingesetzt werden. Sie lernen die verschiedenen Schichten in einem CNN kennen, wie z. B. die Faltungsschicht, die Pooling-Schicht und die Flatten-Schicht, sowie deren Hauptanwendung in der Bildverarbeitung. Sie werden auch die verschiedenen Anwendungen von CNNs entdecken, wie z. B. Bilderkennung und Objekterkennung.

Insgesamt erhalten Sie ein grundlegendes Verständnis der verschiedenen Konzepte und Techniken, die beim Aufbau neuronaler Netze verwendet werden, sowie die notwendigen Fähigkeiten, um sie in Ihren Projekten anzuwenden.

Was Sie lernen werden

Verstehen Sie die grundlegenden Konzepte neuronaler Netze, einschließlich künstlicher neuronaler Netze (ANNs) und der Least-Squares-Methode
Erstellen Sie ein künstliches neuronales Netzwerk (ANN) mit TensorFlow
Wenden Sie die Least-Squares-Methode an, um die Leistung eines ANN zu optimieren
Erkunden Sie Convolutional Neural Networks (CNNs) und die Schichten, die in ihnen verwendet werden, einschließlich der Convolutional-, Pooling- und Flatten-Schichten
Identifizieren Sie Anwendungen von CNNs wie Bilderkennung und Objekterkennung

Wichtige Erkenntnisse

Neuronale Netze sind ein wesentlicher Bestandteil des maschinellen Lernens und können in Anwendungen eingesetzt werden, die von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache reichen.
Künstliche neuronale Netze (ANNs) können mit TensorFlow erstellt werden, und die Least-Squares-Methode kann verwendet werden, um ihre Leistung zu optimieren.
Convolutional Neural Networks (CNNs) sind eine Art von neuronalen Netzen, die häufig in der Bildverarbeitung verwendet werden.
Ein CNN verwendet verschiedene Schichten, einschließlich der Convolutional-Schicht, Pooling-Schicht und Flatten-Schicht, jede mit einer primären Anwendung in der Bildverarbeitung.
CNNs haben Anwendungen wie Bilderkennung und Objekterkennung.

Häufig gestellte Fragen

Was werde ich in diesem Kurs lernen?

Sie lernen die grundlegenden Konzepte neuronaler Netze, einschließlich künstlicher neuronaler Netze (ANNs) und der Least-Squares-Methode, wie Sie mit TensorFlow ein ANN erstellen, wie Sie dessen Leistung mit der Least-Squares-Methode optimieren, und die Grundlagen von Convolutional Neural Networks (CNNs), die in der Bildverarbeitung verwendet werden.

Ist dieser Kurs für Anfänger geeignet?

Ja. Der Kurs bietet ein grundlegendes Verständnis der verschiedenen Konzepte und Techniken, die beim Erstellen von neuronalen Netzen verwendet werden, sowie der erforderlichen Fähigkeiten, um sie in Ihren Projekten anzuwenden.

Was sind Convolutional Neural Networks (CNNs), die in diesem Kurs behandelt werden?

CNNs sind eine Art von neuronalen Netzen, die häufig in der Bildverarbeitung verwendet werden. Der Kurs behandelt die verschiedenen Schichten, die in einem CNN verwendet werden, wie die Convolutional-Schicht, Pooling-Schicht und Flatten-Schicht, sowie Anwendungen wie Bilderkennung und Objekterkennung.

Welche Themen behandeln die Lektionen?

Die Lektionen behandeln Modelltypen, künstliche neuronale Netze und Convolutional Neural Networks.

Welche Fähigkeiten werde ich durch diesen Kurs gewinnen?

Sie werden Fähigkeiten in künstlichen neuronalen Netzen, Deep Learning, Deep-Learning-Methoden, Imagenet, Neural Engineering und TensorFlow aufbauen.