TensorFlow für Einsteiger: Deep Learning mit TensorFlow

Name: TensorFlow für Einsteiger: Deep Learning mit TensorFlow
Author: Josh Turner

Lernen Sie die Grundlagen des Deep Learning mit TensorFlow und erkunden Sie die verschiedenen Methoden, die in diesem Bereich verwendet werden

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 werde ich Ihnen Deep-Learning-Methoden beibringen, das mehrschichtige Perzeptron und Repräsentationslernen. Lass uns anfangen. Beim maschinellen Lernen diskutieren wir zwei grundlegende Arten von Deep Lernmethoden, Regression und Klassifikation. In dieser Lektion werde ich Ihnen einige tiefe Regressionen beibringen Lernmodelle und einige Deep-Learning-Klassifizierungen Modelle. Das erste, worüber wir sprechen werden, ist die Regression. Regressionsmodelle eignen sich hervorragend für Dinge wie Vorhersagen und Rückschlüsse auf verschiedene Arten von Daten sowie Interpolation zwischen gegebenen Datenpunkten. Das erste Regressionsmodell und das grundlegendste, das wir mögen Die heutige Rede ist vom mehrschichtigen Perzeptron. Das mehrschichtige Perzeptron kann in TensorFlow implementiert werden unter Verwendung der TensorFlow-Schichtstruktur. Die Grundidee besteht darin, dass Sie ein Modell erstellen nachfolgende verbundene Schichten. Sie beginnen mit einer Art Eingabedaten und fügen diese in eine ein Schicht bestehend aus Gewichten und Vorspannungen. Diese Ebene verwendet die Gewichte und Vorspannungen, um einige davon zu erstellen mathematische Berechnung, die eine Art Ausgabedaten liefert. Die Ausgabedaten sind dann die Eingabedaten für das nächste oder nachfolgende Schicht, die ebenfalls aus Gewichten und Vorspannungen besteht. Dieser Vorgang wird wiederholt, bis eine endgültige Ausgabe vorliegt. Der Die nächste Art von Regressionsmodell, die wir diskutieren sollten, ist das RNN-Schrägstrich LSTM-Modellklasse. RNN steht für Recurrent Neural Network. LSTM steht für Long Short-Term Memory. Diese ermöglichen grundlegende Wiederholungsbeziehungen in unseren Daten. Es folgt also grundsätzlich der Schichtstruktur, lässt aber zu Schichten, die sich wiederholen und auf sich selbst zurückrufen. Wir können dies verwenden, um Zeitreihendaten für Dinge wie zu modellieren Verkaufsprognosen oder die Verbreitung und Verbreitung von Krankheit. Okay, das sind einige Regressions-Deep-Learning-Modelle. Lassen Sie uns nun über die zweite Art des Deep Learning sprechen Methode, die ist Einstufung. Klassifizierungsmodelle sind für jeden Datenwissenschaftler sehr nützlich. Wir können Klassifizierungen von Bildern verwenden. Wir können Städte nach Standorten klassifizieren. Wir können verschiedene Arten von Autos usw. klassifizieren. Jede Klassifizierungsaufgabe, die Ihnen einfällt, können wir verwenden und erstellen Sie ein Klassifizierungsmodell, um dies vorherzusagen Aufgabe. In TensorFlow gibt es viele verschiedene Arten von Klassifizierungsmodelle. Wir werden jetzt einige davon besprechen. Das erste Modell, das ich besprechen möchte, ist das Faltungs-Neuronales Netzwerk oder CNN. CNN kann in TensorFlow nach der Schicht implementiert werden auch die Struktur. Und diese eignen sich hervorragend zur Bildklassifizierung oder, wie gesagt Vorher, wirklich jede Klassifizierungsaufgabe. Die Grundidee ist dieselbe. Wir haben eine Art Eingabedaten. Wir legen es in eine Schicht. Die Ausgabe dieser Ebene ist die Eingabe für die nächste Ebene und der Vorgang wiederholt sich. Es gibt jedoch einen Unterschied zu CNNs. Diese Ebenen haben spezielle Namen und erfordern möglicherweise andere mathematische Techniken als der reguläre Multilayer Perzeptron. Die erste Ebene, die für CNN sehr wichtig ist, ist die Faltungsschicht. Die nächste Schicht danach ist die Pooling-Schicht. Sobald wir diese Schichten verstanden haben, können wir diesen Vorgang wiederholen und Erhalten Sie eine endgültige Ausgabe oder Vorhersage. Die endgültige Klassifizierungs-Deep-Learning-Methode, die ich gerne hätte mit Ihnen zu besprechen, nennt man Repräsentationslernen. Repräsentationslernen kann auch einer Modellstruktur folgen. Es unterscheidet sich ein wenig von der Bildklassifizierung. Jedoch. Es klassifiziert zwar Bilder, erstellt aber auch Bilder. Und die Grundidee ist wie folgt. Sie beginnen mit einer Art Eingabedaten und führen diese in eine aus Modell namens Encoder. Der Encoder gibt eine Art Ausgabe aus, die Folgendes bewirkt Daten viel kleiner und projizieren sie in einen latenten Raum. Dadurch können wir nur die wichtigsten Funktionen erlernen. Das Bild oder die Daten werden dann an einen Decoder gesendet, wo eine Endverarbeitung erfolgt Vorhersage gemacht wird. Okay, das sind einige gute Deep-Learning-Methoden. Danke fürs zuschauen. Seien Sie gespannt auf die nächste Lektion, in der Sie mehr über das erfahren mehrschichtiges Perzeptron.

Anfänger Anbieter : Josh Turner 3 Lektionen · 20m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

Deep Learning ist ein sich schnell entwickelnder Bereich, und ein grundlegendes Verständnis der verschiedenen Methoden und Techniken, die beim Deep Learning verwendet werden, kann für Fachleute in diesem Bereich sehr wertvoll sein. In diesen Lektionen lernen Sie die verschiedenen Deep-Learning-Methoden kennen, die in diesem Bereich verwendet werden, darunter Convolutional Neural Networks (CNNs) und Multilayer Perceptrons (MLPs). Sie werden auch die verschiedenen Bezeichnungen für Gewichte beim Deep Learning kennenlernen und die verschiedenen Verlustfunktionen untersuchen, die in einem neuronalen Netzwerk verwendet werden können, wie z. B. Mean Squared Error (MSE), Sparse Categorical Cross-Entropy und Binary Cross-Entropy.

Im weiteren Verlauf werden Sie die verschiedenen Arten von Schichten erforschen, die in Faltungsneuronalen Netzen (CNNs) verwendet werden, wie z. B. die Faltungsschicht, die Pooling-Schicht und die Flatten-Schicht. Sie werden auch die verschiedenen Schichten eines mehrschichtigen Perzeptrons (MLP) kennenlernen, einer anderen Art von neuronalem Netzwerk, die häufig beim Deep Learning verwendet wird.

Als Nächstes werden Sie sich mit Autoencodern beschäftigen, einer Art neuronaler Netze, die für das unüberwachte Lernen verwendet werden. Sie werden die verschiedenen Schichten eines Autoencoders kennenlernen, darunter die Kodierungsschicht und die Dekodierungsschicht. Sie werden auch die Vorteile einer kleineren Schicht in einem Autoencoder erforschen und wie sie die Effizienz des Modells verbessern kann.

Insgesamt werden Sie einen der beliebten TensorFlow-Datensätze entdecken und etwas über die Anwendungen von Autoencodern beim Lernen von Merkmalen in Bildern lernen. Sie werden auch herausfinden, ob die Autoencoder-Schicht größer sein sollte, und die Gründe dafür verstehen.

Was Sie lernen werden

Erkennen Sie die verschiedenen Deep-Learning-Methoden an, die im Bereich verwendet werden, einschließlich Convolutional Neural Networks (CNNs) und Multilayer Perceptrons (MLPs)
Beschreiben Sie die verschiedenen Namen, die für Gewichte beim Deep Learning verwendet werden
Erklären Sie die verschiedenen Verlustfunktionen, die in neuronalen Netzwerken verwendet werden, wie Mean Squared Error (MSE), Sparse Categorical Cross-Entropy und Binary Cross-Entropy
Identifizieren Sie die verschiedenen Schichttypen, die in CNNs verwendet werden, einschließlich der Convolutional-, Pooling- und Flatten-Schichten
Erkunden Sie Autoencoders für unüberwachtes Lernen, einschließlich der Encoding- und Decoding-Schichten
Entdecken Sie einen beliebten TensorFlow-Datensatz und die Anwendungen von Autoencoders beim Erlernen von Merkmalen in Bildern

Wichtige Erkenntnisse

Deep Learning verwendet mehrere Methoden, einschließlich Convolutional Neural Networks (CNNs) und Multilayer Perceptrons (MLPs).
Neuronale Netzwerke können verschiedene Verlustfunktionen verwenden, wie Mean Squared Error (MSE), Sparse Categorical Cross-Entropy und Binary Cross-Entropy.
Convolutional Neural Networks werden aus Schichttypen aufgebaut, einschließlich der Convolutional-Schicht, Pooling-Schicht und Flatten-Schicht.
Autoencoders sind eine Art neuronales Netzwerk, das für unüberwachtes Lernen verwendet wird, bestehend aus einer Encoding-Schicht und einer Decoding-Schicht.
Eine kleinere Schicht in einem Autoencoder kann die Effizienz des Modells verbessern und hilft ihm, Merkmale in Bildern zu erlernen.

Häufig gestellte Fragen

Für wen ist dieser Kurs geeignet?

Er richtet sich an Fachleute im Deep-Learning-Bereich, die ein grundlegendes Verständnis der verschiedenen im Bereich verwendeten Methoden und Techniken wünschen.

Welche Deep-Learning-Methoden behandelt der Kurs?

Er behandelt Deep-Learning-Methoden, einschließlich Convolutional Neural Networks (CNNs), Multilayer Perceptrons (MLPs) und Autoencoders.

Was werde ich über Verlustfunktionen lernen?

Sie werden die verschiedenen Verlustfunktionen erkunden, die in einem neuronalen Netzwerk verwendet werden, wie Mean Squared Error (MSE), Sparse Categorical Cross-Entropy und Binary Cross-Entropy.

Was sind Autoencoders, die in diesem Kurs behandelt werden?

Autoencoders sind eine Art neuronales Netzwerk, das für unüberwachtes Lernen verwendet wird; der Kurs behandelt ihre Encoding- und Decoding-Schichten, die Vorteile einer kleineren Schicht und ihre Anwendungen beim Erlernen von Merkmalen in Bildern.

Welche Fähigkeiten baut dieser Kurs auf?

Er baut Fähigkeiten in TensorFlow, Deep Learning, Deep Learning Methods, Autoencoders, Feature Learning und Training Datasets auf.