Dybdelæring med Keras & TensorFlow-certificering - e-læring
3.900,00 DKK
- 34 hours
Dette Deep Learning-kursus med TensorFlow-certificeringstræning er udviklet af branchens ledere og er i tråd med de nyeste bedste praksisser. Du vil mestre koncepter og modeller inden for dyb læring ved hjælp af Keras og TensorFlow-frameworks gennem dette TensorFlow-kursus. Lær at implementere algoritmer for dyb læring med vores TensorFlow-træning og forbered dig på en karriere som Deep Learning-ingeniør. Opnå vores certificering inden for dyb læring og få en konkurrencefordel over dine jævnaldrende til din næste jobsamtale. Efterspørgslen efter dygtige Deep Learning-ingeniører boomer på tværs af en bred vifte af industrier, hvilket gør dette Deep Learning-kursus med Keras og TensorFlow-certificeringstræning velegnet for professionelle på mellem til avanceret niveau. Vi anbefaler denne dyb læring. Certificeringstræning, især for softwareingeniører, dataloger, dataanalytikere og statistikere med interesse for dyb læring.
Kursus tidsplan
Kursusintroduktion
Lektion 01
- Kursusintroduktion
Introduktion til kunstig intelligens og dyb læring
Lektion 02
- Hvad er kunstig intelligens og dyb læring
- Kort historie om kunstig intelligens
- Resumé: SL, UL og RL
- Dyb læring: Succeser det sidste årti
- Demo og diskussioner: Objektdetektion i selvkørende biler
- Anvendelser af dyb læring
- Udfordringer ved dyb læring
- Demo og diskussioner: Sentimentanalyse ved brug af LSTM
- Fuldt forløb af et dyb læringsprojekt
- Vigtigste pointer
- Videnscheck
Et kritisk neutralt netværk
Lektion 03
- Biologisk neuron kontra perceptron
- Overfladisk Neutralt Netværk
- Træning af en opfattelse
- Demokode #1: Perception (Lineær Klassifikation)
- Bagudpropagering
- Rolle af aktivering, funktioner og backpropagation
- Demokode #2: Aktiveringsfunktion
- Demokode #3: Illustration af backpropagation
- Optimering
- Regularisering
- Frakoblingslag
- Demokode #4: Illustration af frafald, Lektion - afsluttende øvelse (Klassifikation Kaggle-datasæt).
- Vigtigste pointer
- Videnscheck
- Lektion - afslutningsprojekt
Dybt Neutralt Netværk & Værktøjer
Lektion 04
- Dybt neuralt netværk: Hvorfor og anvendelser
- Design af et dybt neuralt netværk
- Hvordan vælger du din tabfunktion?
- Værktøjer til dybe læringsmodeller
- Keras og dens elementer
- Demokode #5: Byg en dyb læringsmodel - - - Ved brug af Keras
- TensorFlow og dets økosystem
- Demokode #6: Byg en dyb læringsmodel - - - Ved brug af Tensorflow
- TFlearn
- Pytorch og dets elementer
- Demokode #7: Byg en dyb læringsmodel - - - Ved hjælp af Pytorch
- Demokode #8: Øvelse ved lektionens afslutning
- Vigtigste pointer
- Videnscheck
- Projekt ved lektionens afslutning
Optimering af dybe neurale netværk, finjustering, fortolkning
Lektion 05
- Optimeringsalgoritmer
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Demokode #9: MNIST-datasættet
- Batch-normalisering
- Demokode #10
- Eksploderende og forsvindende gradienter
- Hyperparameterindstilling
- Demokode #11
- Fortolkelighed
- Demokode#12: MNIST - Lektionsafslutning
- Projekt med lektioner i fortolkning
- Bredde kontra dybde
- Vigtigste pointer
- Videnscheck
- Projekt ved lektionens afslutning
Konvolutionelt neuralt netværk
Lektion 06
- Succes og historie
- CNN-netværksdesign og arkitektur
- Demokode #13: Keras
- Demo kode #14: Klassificering af to billedtyper (Kaggle), ved brug af Keras
- Dybe konvolutionelle modeller
- Vigtigste pointer
- Videnscheck
- Projekt ved lektionens afslutning
Tilbagevendende neurale netværk
Lektion 07
- Sekvensdata
- Tidsfornemmelse
- Introduktion til RNN
- Demokode #5: Forudsigelse af aktiekurser med RNN
- LSTM (Datasæt for detailhandelssalg fra Kaggle)
- Demokode #16: Ordindlejring og LSTM
- Demokode #17: Sentimentsanalyse (Film Anmeldelse)
- Vigtigste pointer
- Videnscheck
- Lektion - afslutningsprojekt
Autoencoders
Lektion 08
- Introduktion og Autoenkodere
- Anvendelser af autoenkodere
- Autoencoder til anomalidetektion
- Demokode #19: Autoencoder-model til MNIST-data
- Videnscheck
- Lektion - slut Projekt
Projekt: Klassificeringsmodel for kæledyr ved brug af CNN
Projekt 01
The course includes a real-world, industry-based project. Successful evaluation of the following
projektet er en del af kriterierne for certificeringsegnethed:
I dette projekt bygger du en CNN-model, der korrekt klassificerer de givne billeder af kæledyr som hunde- og kattebilleder. En kode skabelon er givet med de nødvendige kodeblokke. TensorFlow kan bruges til at træne data og beregne nøjagtighedsscoren på testdata.
Læringsresultater
Ved afslutningen af dette e-læringskursus i Deep Learning med Keras & TensorFlow vil du være i stand til at:
Forstå koncepterne bag Keras og TensorFlow, deres primære funktioner, operationer og eksekveringspipeline
Implementer dyb læring algoritmer, forstå neurale netværk, og naviger igennem lagene af dataabstraktion
Mestre og forstå avancerede emner såsom konvolutionelle neurale netværk, tilbagevendende neurale netværk, træning af dybe netværk og højniveaus interfaces
Byg dybe læringsmodeller ved hjælp af Keras og TensorFlow-frameworks og fortolk resultaterne
Forstå sproget og de grundlæggende koncepter for kunstige neurale netværk, anvendelsen af autoenkodere, samt Pytorch og dets elementer
Fejlfind og forbedr dybe læringsmodeller
Byg dit dyb-læringsprojekt
Forskellen mellem maskinlæring, dyb læring og kunstig intelligens
Vigtigste funktioner
34 timers blandet læring
Et brancherettet kursusafslutningsprojekt
Interaktiv læring med integrerede laboratorier i Jupyter notesbøger
Dedikeret mentoringsession fra fakultet af brancheeksperter
Hvem bør tilmelde sig dette program?
Studerende skal have en bachelorgrad eller et gymnasieeksamensbevis. Kendskab til grundlæggende programmering, en rimelig forståelse af statistik og matematiks grundlæggende principper, samt en god forståelse af koncepterne inden for maskinlæring.
AI-ingeniør
Data Scientist
Softwareingeniør
Studerende i bachelor-/kandidatuddannelser
Dataanalytiker
Har du brug for virksomhedsløsninger eller LMS-integration?
Fandt du ikke kurset eller programmet, der ville være til gavn for din virksomhed? Har du brug for LMS-integration? Skriv til os, vi løser alt!