Deep Learning with Keras & TensorFlow - eLearning
4.900,00 NOK
- 34 hours
Dette kurset i dyp læring med TensorFlow-sertifiseringstrening er utviklet av bransjeledere og i tråd med de nyeste beste praksisene. Gjennom dette kurset vil du mestre konsepter og modeller for dyp læring ved å bruke Keras- og TensorFlow-rammeverkene. Lær å implementere algoritmer for dyp læring med vår TensorFlow-trening og forbered deg på en karriere som en dyp læring-ingeniør. Oppnå vår sertifisering i dyp læring og få et konkurransefortrinn over dine jevnaldrende i ditt neste jobbintervju. Etterspørselen etter dyktige ingeniører innen dyp læring øker i en rekke industrier, noe som gjør dette kurset i dyp læring med Keras- og TensorFlow-sertifiseringstrening godt egnet for profesjonelle på mellom- til avansert nivå. Vi anbefaler spesielt dette kurset i dyp læring og sertifiseringstreningen for programvareingeniører, dataforskere, dataanalytikere og statistikere med interesse for dyp læring.
Kursplan
Kursintroduksjon
Leksjon 01
- Kursintroduksjon
Introduksjon til AI og dyp læring
Leksjon 02
- Hva er AI og dyp læring
- Kort historie om AI
- Oppsummering: SL, UL og RL
- Dyp læring: Suksesser det siste tiåret
- Demo og diskusjoner: Objektdeteksjon for selvkjørende biler
- Anvendelser av dyp læring
- Utfordringer ved dyp læring
- Demo og diskusjoner: Sentimentanalyse ved bruk av LSTM
- Full syklus for et dyp læring-prosjekt
- Viktige punkter
- Kunnskapssjekk
Et kritisk nøytralt nettverk
Leksjon 03
- Biologisk nevron vs perseptron
- Overfladisk nøytralt nettverk
- Trening av en oppfatning
- Demo-kode #1: Oppfatning (Lineær klassifisering)
- Bakoverpropagering
- Rollen til aktivering, funksjoner og bakoverpropagering
- Demokode #2: Aktiveringsfunksjon
- Demo-kode #3: Illustrasjon av bakoverpropagering
- Optimalisering
- Regularisering
- Utfalls-lag
- Demonstreringskode #4: Illustrasjon av frafall, Leksjon - avsluttende øvelse (Klassifisering Kaggle Datasett).
- Viktige punkter
- Kunnskapssjekk
- Leksjon - sluttoppgave
Dyp nevralt nettverk & verktøy
Leksjon 04
- Dyp nevralt nettverk: Hvorfor og anvendelser
- Utforme et dypt nevralt nettverk
- Hvordan velge din tapfunksjon?
- Verktøy for dyp læringsmodeller
- Keras og dets elementer
- Demo-kode #5: Bygg en dyp læringsmodell - - - Ved bruk av Keras
- TensorFlow og dets økosystem
- Demo-kode #6: Bygg en dyp læringsmodell - - - Ved bruk av Tensorflow
- TFlearn
- Pytorch og dets elementer
- Demo-kode #7: Bygg en dyp læringsmodell - - - Ved bruk av Pytorch
- Demokode #8: Øvelse ved leksjonens slutt
- Viktige poenger
- Kunnskapssjekk
- Prosjekt ved leksjonsslutt
Optimalisering av dype nevrale nettverk, justering, tolkbarhet
Leksjon 05
- Optimaliseringsalgoritmer
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Demonstreringskode #9: MNIST-datasettet
- Partinormalisering
- Demokode #10
- Eksploderende og forsvinnende gradienter
- Justering av hyperparametere
- Demokode #11
- Tolkningsbarhet
- Demo-kode#12: MNIST – Leksjonsslutt
- Prosjekt med tolkbarhetsleksjoner
- Bredde kontra dybde
- Viktige punkter
- Kunnskapssjekk
- Prosjekt ved leksjonsslutt
Konvolusjonell nevralt nettverk
Leksjon 06
- Suksess og historie
- CNN-nettverksdesign og arkitektur
- Demo-kode #13: Keras
- Demo-kode #14: Klassifisering av to bildetyper (Kaggle), ved bruk av Keras
- Dype konvolusjonelle modeller
- Viktige poenger
- Kunnskapssjekk
- Prosjekt ved leksjonsslutt
Tilbakevendende nevrale nettverk
Leksjon 07
- Sekvensdata
- Tidsfølelse
- Introduksjon til RNN
- Demo-kode #5: Prediksjon av aksjepriser med RNN
- LSTM (Datasett for detaljhandelssalg Kaggle)
- Demo-kode #16: Ordinnbygging og LSTM
- Demo-kode #17: Sentimentanalyse (Filmomtale)
- Viktige punkter
- Kunnskapssjekk
- Leksjon - sluttoppgave
Autoenkodere
Leksjon 08
- Introduksjon og autoenkodere
- Anvendelser av autoenkodere
- Autoencoder for avviksdeteksjon
- Demo-kode #19: Autoenkodermodell for MNIST-data
- Kunnskapssjekk
- Leksjon - slutt Prosjekt
Prosjekt: Klassifiseringsmodell for kjæledyr ved bruk av CNN
Prosjekt 01
Kurset inkluderer et prosjekt basert på virkeligheten og industrien. Vellykket evaluering av følgende
Prosjektet er en del av kriteriene for å være kvalifisert for sertifisering:
I dette prosjektet skal du bygge en CNN-modell som korrekt klassifiserer de gitte bildene av kjæledyr som enten hunder eller katter. Malen for koden er gitt med essensielle kodeblokker. TensorFlow kan brukes til å trene dataene og beregne nøyaktighetsscoren på testdataene.
Læringsutbytte
Ved slutten av dette e-læringskurset i Deep Learning med Keras & TensorFlow, vil du være i stand til å:
Forstå konseptene med Keras og TensorFlow, deres hovedfunksjoner, operasjoner og utførelsespipeline
Implementere dyp læringsalgoritmer, forstå nevrale nettverk, og naviger gjennom lagene av dataabstraksjon
Beherske og forstå avanserte emner som konvolusjonelle nevrale nettverk, tilbakevendende nevrale nettverk, trening av dype nettverk og høy-nivå grensesnitt
Bygge dype læringsmodeller ved å bruke Keras og TensorFlow-rammeverkene og tolk resultatene
Forstå språket og de grunnleggende konseptene til kunstige nevrale nettverk, anvendelsen av autoenkodere, samt Pytorch og dets elementer
Feilsøke og forbedre dyp læringsmodeller
Bygge eget dyp-læringsprosjekt
Skille mellom maskinlæring, dyp læring og kunstig intelligens
Nøkkelfunksjoner
34 timer med kombinert læring
Ett bransjebasert kursavslutningsprosjekt
Interaktiv læring med integrerte laboratorier i Jupyter-notatbøker
Dedikert veiledningstime fra fakultetet av bransjeeksperter
Hvem bør melde seg på dette programmet?
Studenter må ha en bachelorgrad eller et vitnemål fra videregående skole. Kjennskap til grunnleggende programmering, en rimelig forståelse av statistikk og matematikk, samt en god forståelse av konsepter innen maskinlæring.
AI-ingeniør
Data Scientist
Programvareingeniør
Studenter i bachelor-/masterprogrammer
Dataanalytiker
Trenger du bedriftsløsning eller LMS-integrasjon?
Fant du ikke kurset eller programmet som ville være passende for din bedrift? Trenger du LMS-integrasjon? Ta kontakt med oss! Vi er agile og løser alt!