Wprowadzenie do głębokiego uczenia

Wprowadzenie do uczenia głębokiego w Pythonie

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Wyobraź sobie, że pracujesz w banku

Należy przewidzieć, ile transakcji każdy klient wykona w przyszłym roku

Przykład z perspektywy regresji liniowej

ch1_1.003.png

Przykład z perspektywy regresji liniowej

ch1_1.004.png

Przykład z perspektywy regresji liniowej

ch1_1.005.png

Przykład z perspektywy regresji liniowej

ch1_1.006.png

Przykład z perspektywy regresji liniowej

ch1_1.007.png

Przykład z perspektywy regresji liniowej

ch1_1.008.png

Przykład z perspektywy regresji liniowej

ch1_1.009.png

Przykład z perspektywy regresji liniowej

ch1_1.011.png

Przykład z perspektywy regresji liniowej

ch1_1.012.png

Przykład z perspektywy regresji liniowej

ch1_1.013.png

Przykład z perspektywy regresji liniowej

ch1_1.014.png

Przykład z perspektywy regresji liniowej

ch1_1.015.png

Przykład z perspektywy regresji liniowej

ch1_1.016.png

Przykład z perspektywy regresji liniowej

ch1_1.017.png

Interakcje

Sieci neuronowe dobrze modelują interakcje
Głębokie uczenie wykorzystuje szczególnie wydajne sieci neuronowe
- Tekst
- Obrazy
- Wideo
- Dźwięk
- Kod źródłowy

Struktura kursu

Dwa pierwsze rozdziały skupiają się na wiedzy konceptualnej
- Debugowanie i dostrajanie modeli głębokiego uczenia na typowych problemach predykcji
- Budowanie podstaw do pracy z nowoczesnymi zastosowaniami
Zaprocentuje to w trzecim i czwartym rozdziale

Budowanie i dostrajanie modeli głębokiego uczenia w 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))