Introduktion till djupinlärning

Introduktion till djupinlärning i Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Tänk dig att du jobbar på en bank

Du behöver förutsäga hur många transaktioner varje kund kommer att göra nästa år

Exempel sett med linjär regression

ch1_1.003.png

Exempel sett med linjär regression

ch1_1.004.png

Exempel sett med linjär regression

ch1_1.005.png

Exempel sett med linjär regression

ch1_1.006.png

Exempel sett med linjär regression

ch1_1.007.png

Exempel sett med linjär regression

ch1_1.008.png

Exempel sett med linjär regression

ch1_1.009.png

Exempel sett med linjär regression

ch1_1.011.png

Exempel sett med linjär regression

ch1_1.012.png

Exempel sett med linjär regression

ch1_1.013.png

Exempel sett med linjär regression

ch1_1.014.png

Exempel sett med linjär regression

ch1_1.015.png

Exempel sett med linjär regression

ch1_1.016.png

Exempel sett med linjär regression

ch1_1.017.png

Interaktioner

Neurala nätverk hanterar interaktioner mycket väl
Djupinlärning använder särskilt kraftfulla neurala nätverk
- Text
- Bilder
- Video
- Ljud
- Källkod

Kursstruktur

De två första kapitlen fokuserar på konceptuell förståelse
- Felsök och finjustera djupinlärningsmodeller för vanliga predikeringsproblem
- Bygg en grund inför moderna tillämpningar
Detta lönar sig i kapitel tre och fyra

Bygg och finjustera djupinlärningsmodeller med 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))