Введение в глубокое обучение

Введение в глубокое обучение на Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Представьте, что вы работаете в банке

Нужно предсказать, сколько транзакций каждый клиент совершит в следующем году

Пример с точки зрения линейной регрессии

ch1_1.003.png

Пример с точки зрения линейной регрессии

ch1_1.004.png

Пример с точки зрения линейной регрессии

ch1_1.005.png

Пример с точки зрения линейной регрессии

ch1_1.006.png

Пример с точки зрения линейной регрессии

ch1_1.007.png

Пример с точки зрения линейной регрессии

ch1_1.008.png

Пример с точки зрения линейной регрессии

ch1_1.009.png

Пример с точки зрения линейной регрессии

ch1_1.011.png

Пример с точки зрения линейной регрессии

ch1_1.012.png

Пример с точки зрения линейной регрессии

ch1_1.013.png

Пример с точки зрения линейной регрессии

ch1_1.014.png

Пример с точки зрения линейной регрессии

ch1_1.015.png

Пример с точки зрения линейной регрессии

ch1_1.016.png

Пример с точки зрения линейной регрессии

ch1_1.017.png

Взаимодействия

Нейронные сети хорошо улавливают взаимодействия между признаками
Глубокое обучение использует особенно мощные нейронные сети
- Текст
- Изображения
- Видео
- Аудио
- Исходный код

Структура курса

Первые две главы посвящены концептуальным основам
- Отладка и настройка моделей глубокого обучения на классических задачах прогнозирования
- Формирование базы для перехода к современным приложениям
В третьей и четвёртой главах это окупится

Создание и настройка моделей глубокого обучения с помощью 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))