Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras

Odkryj potencjał sieci neuronowych: Tensorflow i Keras dla efektywnego uczenia maszynowego i rozwiązywania problemów!

4.71 (213 reviews)
Udemy
platform
Polski
language
Data Science
category
1,823
students
8.5 hours
content
Jan 2024
last update
$19.99
regular price

What you will learn

matematyczne podstawy działania sieci neuronowych

implementacja prostej sieci neuronowej od zera przy pomocy języka Python

zrozumienie zasad działania sztucznych sieci neuronowych (ANN)

zrozumienie zasad działania konwolucyjnych sieci neuronowych (CNN)

zrozumienie zasad działania rekurencyjnych sieci neuronowych (RNN)

uczenie nadzorowane przy użyciu sieci neuronowych

optymalizacja i regularyzacja

klasyfikacja przy pomocy ANN

regresja przy pomocy ANN

klasyfikacja binarna obrazów przy pomocy ANN i CNN

klasyfikacja wieloklasowa obrazów przy pomocy CNN

praca z danymi tekstowymi i obrazami

transfer learning

zastosowanie modelu VGG16, VGG19

klasyfikacja recenzji przy pomocy RNN

Description

Kurs "Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras" to program szkoleniowy skierowany do osób zainteresowanych rozpoczęciem swojej podróży w świecie głębokiego uczenia. Wykorzystując najnowsze narzędzia, takie jak Tensorflow 2.0 i Keras, kurs ten oferuje praktyczne podejście do zrozumienia i implementacji sieci neuronowych.

Na początku kursu, uczestnicy są wprowadzeni do podstawowych koncepcji głębokiego uczenia, w tym do tego, czym są sieci neuronowe, jak działają neurony, jakie są różne typy warstw w sieciach neuronowych i jak działają algorytmy propagacji wstecznej i spadku gradientu.

Następnie kurs przechodzi do nauki Tensorflow 2.0, jednej z najpopularniejszych bibliotek do głębokiego uczenia, która jest wykorzystywana do tworzenia i trenowania sieci neuronowych. Uczestnicy dowiedzą się, jak definiować modele, jak przeprowadzać proces uczenia, jak oceniać modele i jak korzystać z narzędzi do monitorowania procesu uczenia, takich jak TensorBoard.

Dodatkowo, kurs obejmuje naukę Keras, biblioteki, która działa na Tensorflow i oferuje bardziej intuicyjny interfejs dla definiowania i trenowania modeli. Keras jest szczególnie przyjazny dla początkujących i jest często wykorzystywany do prototypowania modeli.

Kurs "Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras" oferuje uczestnikom szereg praktycznych ćwiczeń i projektów, które pozwolą im na zastosowanie zdobytej wiedzy w praktyce. W ten sposób, uczestnicy będą mieć możliwość zrozumienia i doświadczenia, jak sieci neuronowe mogą być wykorzystywane do rozwiązywania rzeczywistych problemów, takich jak klasyfikacja obrazów, analiza tekstu, prognozowanie szeregów czasowych i wiele innych.


Zwiększ moc swojego uczenia maszynowego dzięki TensorFlow: Uwolnij potencjał danych!

TensorFlow to otwarta biblioteka do uczenia maszynowego i głębokiego uczenia. Została opracowana przez zespół badawczy Google Brain i została udostępniona publicznie w 2015 roku. TensorFlow umożliwia budowę i trenowanie modeli uczenia maszynowego, zarówno w ramach tradycyjnych zastosowań, jak i w obszarze głębokiego uczenia.

Biblioteka TensorFlow jest wysoce elastyczna i obsługuje różne rodzaje modeli uczenia maszynowego, takie jak modele regresji, klasyfikacji, segmentacji obrazu, analizy języka naturalnego i wiele innych. Umożliwia tworzenie i trenowanie modeli o różnych rozmiarach i skomplikowaniu, z możliwością wykorzystania zarówno pojedynczych maszyn, jak i rozproszonych systemów obliczeniowych.

Podstawowym elementem w TensorFlow są tensory, które są wielowymiarowymi tablicami danych. Modele są tworzone w formie grafów obliczeniowych, w których tensory przepływają między różnymi operacjami matematycznymi. TensorFlow automatycznie zarządza obliczeniami na różnych urządzeniach, takich jak CPU i GPU, co umożliwia efektywne wykorzystanie zasobów obliczeniowych.

Biblioteka oferuje również narzędzia do wizualizacji i monitorowania procesu uczenia, dzięki czemu można analizować i interpretować wyniki eksperymentów. TensorFlow obsługuje wiele języków programowania, takich jak Python, C++, Java, Go i inne, co pozwala na łatwe integrowanie z istniejącymi systemami i infrastrukturą.

TensorFlow jest szeroko stosowany w różnych dziedzinach, takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego, analiza danych, robotyka i wiele innych. Dzięki swojej popularności i wsparciu społeczności, TensorFlow jest jednym z wiodących narzędzi do uczenia maszynowego i głębokiego uczenia.


Twórz, trenuj i zaimplementuj modele z łatwością dzięki Keras: Potęga uczenia maszynowego w Twoich rękach!

Keras to popularna i wysoce elastyczna biblioteka do budowy, trenowania i wdrażania modeli uczenia maszynowego. Została stworzona jako interfejs wysokiego poziomu dla bibliotek głębokiego uczenia, umożliwiając szybkie i intuicyjne tworzenie modeli.

Jednym z kluczowych atutów biblioteki Keras jest jej prostota i przejrzystość. Dzięki czytelnemu interfejsowi API, łatwo jest tworzyć modele, definiować warstwy, określać funkcje aktywacji i optymalizatory. Keras zapewnia również wiele gotowych warstw i modułów, które można łatwo łączyć, co znacznie przyspiesza proces projektowania i implementacji modeli.

Keras działa na wielu popularnych silnikach uczenia maszynowego, w tym na TensorFlow, Theano i CNTK, co zapewnia elastyczność i możliwość dostosowania do różnych środowisk i platform. Dzięki temu Keras jest jednym z najpopularniejszych narzędzi do głębokiego uczenia, znajdującym zastosowanie w dziedzinach takich jak rozpoznawanie obrazów, analiza języka naturalnego, przetwarzanie dźwięku i wiele innych.

Biblioteka Keras została zaprojektowana z myślą o prostocie użytkowania, jednocześnie zachowując pełną kontrolę nad budową i treningiem modeli. Dzięki temu, zarówno początkujący, jak i zaawansowani pracownicy naukowi mogą z powodzeniem korzystać z Keras do rozwiązywania różnorodnych problemów z zakresu uczenia maszynowego.

W 2019 roku Keras został oficjalnie włączony do biblioteki TensorFlow jako interfejs wysokiego poziomu, co oznacza, że jest w pełni zintegrowany z ekosystemem TensorFlow, a jednocześnie zachowuje swoją unikalną filozofię prostoty i elastyczności.

Content

Wstęp

Historia Sieci Neuronowych
Nagroda Turinga za wkład z rozwój AI
Geoffrey Hinton, Yann LeCun, Yoshua Bengio

Przykłady zastosowań sieci neuronowych

Amazon Comprehend
Amazon Polly
Amazon Rekognition

Uczenie Maszynowe - Krajobraz

Programowanie klasyczne vs. uczenie maszynowe
Podział uczenia maszynowego
Wybór biblioteki do uczenia głębokiego: Tensorflow + Keras
Tensorflow Playground
Keras

Pierwsza sieć neuronowa - Digit Recognition

Repozytorium kursu - GitHub
Google Colab - Przegląd
Update
Digit Recognition - rozpoznawanie ręcznie zapisanych cyfr

Sieci Neuronowe - Wprowadzenie

Neuron
Perceptron
Perceptron - Przykład
Perceptron Wielowarstwowy
Elementy składowe sieci
Tensor
Tensor - przykłady
Funkcje aktywacji
Funkcje aktywacji - Implementacja
Funkcje straty
Funkcje straty - przykłady
Metryki
Metryki w problemach klasyfikacji binarnej
Krzywa ROC
Metryki w problemach klasyfikacji wieloklasowej
Metryki w problemach regresji
Spadek wzdłuż gradientu (Gradient Descent)
Spadek wzdłuż gradientu (Gradient Descent) cz. 2
Spadek wzdłuż gradientu (Gradient Descent) - Implementacja

Matematyczne podstawy sieci neuronowych

Matematyczne podstawy sieci neuronowych
Implementacja prostej sieci neuronowej

Biblioteka Keras

Biblioteka Keras - Wprowadzenie
Praca z modelami w bibliotece Keras
Praca z modelami w bibliotece Keras cz. 2
Praca z warstwami w bibliotece Keras
Główne problemy uczenia głębokiego - przeuczenie i niedouczenie
Główne problemy uczenia głębokiego - przeuczenie i niedouczenie cz. 2
Metody regularyzacji modeli
Wywołania zwrotne - Model Checkpoint
Wywołania zwrotne - Model Checkpoint - Zapisanie najlepszego modelu
Wywołania zwrotne - Early Stopping - Wczesne Zatrzymanie
Tensorboard
Tensorboard Dev
Zapis/Ładowanie modelu

ANN - Klasyfikacja

Klasyfikacja wieloklasowa - Fashion MNIST
Klasyfikacja wieloklasowa - Fashion MNIST - Eksploracja predykcji

ANN - Regresja

Model regresji cen nieruchomości

CNN - Konwolucyjne Sieci Neuronowe

Konwolucyjne Sieci Neuronowe - Wprowadzenie
Przetwarzanie obrazu - Augmentacja danych
Klasyfikacja obrazów - omówienie problemu
Przygotowanie obrazów do modelu
Przygotowanie obrazów do modelu cz. 2
Budowa sieci CNN
Transfer Learning - model VGG16
Wyświetlenie błędów predykcji
Dron, samolot pasażerski czy helikopter? - Klasyfikacja wieloklasowa
Wyświetlenie błędów predykcji

RNN - Rekurencyjne Sieci Neuronowe

Praca z tekstem - wektoryzacja
Praca z tekstem - tokenizacja
Osadzanie słów w przestrzeni - Word Embeddings
Osadzanie słów w przestrzeni - Embedding Projector
Klasyfikacja - Recenzje filmowe
Przetworzenie recenzji i warstwa Embedding
Sieci RNN - neuron rekurencyjny
RNN: Klasyfikacja recenzji filmowych

Projekt własny

Klasyfikacja obrazów

BOUNS: Kupony na inne kursy

Grupa na Facebook'u
Recenzja
Bonus

Screenshots

Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Screenshot_01Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Screenshot_02Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Screenshot_03Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Screenshot_04

Reviews

Rafał
April 23, 2023
Doskonały kurs. Dobrze omówione przykłady regresji, praca z tekstem oraz metryki poszczególnych. Keras wydaje się być dobrze zbudowaną biblioteką, dodatkowo ma świetną dokumentację.
Uler
February 1, 2023
Kurs ogólnie niezły, ale nierówny. Niektóre rozdziały potraktowane zbyt powierzchownie - np. 70 - neuron rekurencyjny, w istocie wcale nie tłumaczy idei tegoż. Często prezenter niepotrzebnie czyta wartości z ekranu. O ile oczywistym jest konieczność czytania nazw funkcji zmiennych itd, po angielsku, to określania "performowanie modelu" to już czerwona falka. Szkoda, że nie udostępnione są materiały z kursu i trzeba polować i przepisywać.
Kamil
July 31, 2022
Bardzo wartościowy kurs. Zagadnienia przedstawione w sposób łatwy do przyswojenia - wizualizacje takie, jak w przypadku Embedding Projectora stanowiły świetne uzupełnienie. Z przyjemnością pochłaniałem kolejne "rozdziały".
Paweł
February 21, 2022
Świetnie przeprowadzony kurs, szczegółowe materiały. Widać, że prowadzący dobrze zna temat, dzięki czemu jest w stanie w przystępny sposób wszystko wyjaśnić. Polecam ten kurs.
Olga
December 17, 2021
Bardzo dobry kurs. Polecam! W bardzo przystępny sposób zostały omówione zagadnienia związane z budowaniem sieci neuronowych. Dużo fajnych, praktycznych przykładów.
Kopalnik
December 16, 2021
Wybitny kurs, który wprowadza w świat sieci neuronowych :-) Ciekawy i treściwy, nic dodać nic ująć :-)
Mateusz
August 12, 2021
Trudny kurs, trzeba mieć opanowane podstawy ML i w matmę na poz. I roku studiów. Pan Paweł nie ma konkurencji po polsku więc nie ma co narzekać. :) Profesjonalny kurs.
Ryszard
December 9, 2020
Z kursów na Udemy korzystam intensywnie już od 2015 r. Mam zatem dobre odniesienie co do jakości takiej formy kształcenia. Ten kurs oceniam za bardzo dobrze przygotowany. Jego zaletą jest to, że autor nie ogranicza się tylko do pokazania implementacji sieci neuronowych w Pythonie, ale pokazuje również podstawowe mechanizmy uczenia maszynowego za pomocą przystępnej matematyki
Patrycja
November 7, 2020
Kurs pomocny w zrobieniu własnego projektu. Zawiera część zarówno teoretyczną jak i praktyczną. Widać, że autor ma obszerną wiedzę w temacie, a jednocześnie posiada zacięcie dydaktyczne. Praktycznie wszystko jest jasno i dogłębnie wyjaśnione, jeżeli coś było powiedziane ogólnie, to okazało się, że jest to obszerniej opisane w innym kursie. Pytania nie czekają długo na odpowiedź. Dziękuję zatem za materiał. Pozdrawiam.
Maciej
August 9, 2020
Jako faktyczne wprowadzenie/wstęp jest super. Zrozumienie wysokopoziomowe jest kluczem do zrozumienia niskiego poziomu nauczenia głębokiego. A na poziomie wysokim wszystko jest wytłumaczone bardzo dobrze. Jeżeli ktoś dokładnie chce wiedzieć co się dzieje w środku poszczególnych funkcji lub modeli warto zainteresować się książkami np. Auréliena Gérona lub poczekać cierpliwie na nowy kurs od Pawła - na pewno byłby równie super jak ten :) Dodatkowo ogromny szacunek za błyskawiczne odpowiedzi na pytania i cierpliwość przy sporadycznych "głupich" pytaniach :)
Mariusz24245
July 8, 2020
Bardzo dobre wprowadzenie do sieci neuronowych. Pojęcia wyjaśnione w bardzo zrozumiały sposób. Duży plus za szybką odpowiedz na pytania.
Kinas
May 2, 2020
Kolejny fantastyczny kurs! Polecam go wszystkim, którzy w bardzo szybko sposób chcą wejść w teorię i praktykę głębokiego uczenia. W kursie przedstawiono wiele przykładów, które zostały dokładnie omówione a dostarczone materiały w postaci notesów można wykorzystać jako bardzo szybki start we własnych projektach. Polecam!

Charts

Price

Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Price chart

Rating

Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Ratings chart

Enrollment distribution

Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras - Distribution chart
2644340
udemy ID
11/7/2019
course created date
11/20/2019
course indexed date
Bot
course submited by