Úvod do hlubokého učení

Úvod do deep learningu v Pythonu

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Představte si, že pracujete v bance

Je třeba předpovědět počet transakcí každého zákazníka v příštím roce

Příklad z pohledu lineární regrese

ch1_1.003.png

Příklad z pohledu lineární regrese

ch1_1.004.png

Příklad z pohledu lineární regrese

ch1_1.005.png

Příklad z pohledu lineární regrese

ch1_1.006.png

Příklad z pohledu lineární regrese

ch1_1.007.png

Příklad z pohledu lineární regrese

ch1_1.008.png

Příklad z pohledu lineární regrese

ch1_1.009.png

Příklad z pohledu lineární regrese

ch1_1.011.png

Příklad z pohledu lineární regrese

ch1_1.012.png

Příklad z pohledu lineární regrese

ch1_1.013.png

Příklad z pohledu lineární regrese

ch1_1.014.png

Příklad z pohledu lineární regrese

ch1_1.015.png

Příklad z pohledu lineární regrese

ch1_1.016.png

Příklad z pohledu lineární regrese

ch1_1.017.png

Interakce

Neuronové sítě dobře zachycují interakce
Hluboké učení využívá obzvláště výkonné neuronové sítě
- Text
- Obrázky
- Videa
- Zvuk
- Zdrojový kód

Struktura kurzu

První dvě kapitoly se zaměřují na konceptuální znalosti
- Ladění a odstraňování chyb modelů hlubokého učení na klasických predikčních úlohách
- Základ pro přechod k moderním aplikacím
Ve třetí a čtvrté kapitole se to vyplatí

Tvorba a ladění modelů hlubokého učení v Keras

import numpy as np
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential
predictors = np.loadtxt('predictors_data.csv', delimiter=',')
n_cols = predictors.shape[1]
model = Sequential()

model.add(Dense(100, activation='relu', input_shape = (n_cols,)))
model.add(Dense(100, activation='relu'))
model.add(Dense(1))