Deep Learning met Keras & TensorFlow - eLearning
450,00 EUR
- 34 hours
Deze Deep Learning cursus met TensorFlow certificeringstraining is ontwikkeld door industriële leiders en is in lijn met de nieuwste beste praktijken. Je zult diepgaande leerconcepten en modellen beheersen met behulp van Keras en TensorFlow frameworks door deze TensorFlow cursus. Leer diepgaande leeralgoritmen te implementeren met onze TensorFlow training en bereid je voor op een carrière als Deep Learning Engineer. Behaal onze diepgaande leer certificering en verkrijg een competitief voordeel over je collega's in je volgende sollicitatiegesprek. De vraag naar bekwame Deep Learning Engineers neemt toe in een breed scala van industrieën, waardoor deze Deep Learning cursus met Keras en TensorFlow certificeringstraining zeer geschikt is voor professionals op een gemiddeld tot gevorderd niveau. We bevelen deze diepgaande leer certificeringstraining met name aan voor Software Ingenieurs, Data scientists, Data-analisten en Statistici met interesse in deep learning.
Cursustijdlijn
Cursus Introductie
Les 01
- Cursusintroductie
Introductie tot AI en deep learning
Les 02
- Wat is AI en Deep Learning
- Beknopte Geschiedenis van AI
- Samenvatting: SL, UL en RL
- Deep Learning: Successen Afgelopen Decennium
- Demonstratie en Discussies: Objectdetectie bij Zelfrijdende Auto's
- Toepassingen van diep leren
- Uitdagingen van diep leren
- Demonstratie en Discussies: Sentimentanalyse met behulp van LSTM
- Volledige cyclus van een diepgaand leerproject
- Belangrijkste punten
- Kennistoets
Een kritisch neutraal netwerk
Les 03
- Biologische neuron versus perceptron
- Oppervlakkig Neutraal Netwerk
- Het trainen van een perceptie
- Demonstratiecode #1: Perceptie (Lineaire Classificatie)
- Terugpropagatie
- Rol van Activatie, Functies en Terugpropagatie
- Demonstratiecode #2: Activeringsfunctie
- Demonstratiecode #3: Illustratie van terugpropagatie
- Optimaliseren
- Regularisatie
- Uitval laag
- Demonstratiecode #4: Illustratie van Dropout, Les- einde Oefening (Classificatie Kaggle Dataset).
- Belangrijkste punten
- Kennistoets
- Les - eindproject
Deep Neutraal Netwerk & Tools
Les 04
- Deep Neuraal Netwerk: Waarom en Toepassingen
- Het ontwerpen van een diep neuraal netwerk
- Hoe kies je je verliesfunctie?
- Gereedschappen voor deep learning modellen
- Keras en zijn elementen
- Demonstratiecode #5: Bouw een diepgaand leermodel - - - Met behulp van Keras
- TensorFlow en zijn ecosysteem
- Demonstratiecode #6: Bouw een deep learning model - - - Met behulp van Tensorflow
- TFlearn
- Pytorch en zijn elementen
- Demonstratiecode #7: Bouw een diepgaand leermodel - - - Met Pytorch
- Demonstratiecode #8: Oefening aan het einde van de les
- Belangrijkste punten
- Kennistoets
- Project ter afsluiting van de les
Optimalisatie van diepe neurale netwerken, afstemming, interpreteerbaarheid
Les 05
- Optimalisatiealgoritmen
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Demonstratiecode #9: MNIST-dataset
- Batchnormalisatie
- Demonstratiecode #10
- Exploderende en Verdwijnende Gradiënten
- Hyperparameter Tuning
- Demonstratiecode #11
- Interpretatie
- Demonstratiecode#12: MNIST - Einde van de les
- Project met Lessen in Interpretatie
- Breedte versus Diepte
- Belangrijkste punten
- Kennistoets
- Project ter afsluiting van de les
Convolutioneel Neuraal Netwerk
Les 06
- Succes en Geschiedenis
- Ontwerp en architectuur van CNN-netwerken
- Demonstratiecode #13: Keras
- Demonstratiecode #14: Classificatie van twee soorten afbeeldingen (Kaggle), met gebruik van Keras
- Diepe Convolutionele Modellen
- Belangrijkste punten
- Kennistoets
- Project aan het einde van de les
Recurrente Neurale Netwerken
Les 07
- Reeksen Data
- Tijdsbesef
- Introductie tot RNN's
- Demonstratiecode #5: Voorspelling van aandelenprijzen met RNN
- LSTM (Detailhandel Verkoop Dataset Kaggle)
- Demonstratiecode #16: Woord Inbedding en LSTM
- Demonstratiecode #17: Sentimentanalyse (Filmrecensie)
- Belangrijkste punten
- Kennistoets
- Les - eindproject
Auto-encoders
Les 08
- Inleiding en Autoencoders
- Toepassingen van auto-encoders
- Autoencoder voor afwijkingsdetectie
- Demonstratiecode #19: Autoencoder Model voor MNIST-gegevens
- Kennistoets
- Les - einde Project
Project: Huisdierclassificatiemodel met behulp van CNN
Project 01
The course includes a real-world, industry-based project. Successful evaluation of the following
project maakt deel uit van de criteria voor certificeringsgeschiktheid:
In dit project bouw je een CNN-model dat de gegeven huisdierenafbeeldingen correct classificeert als honden- en kattenafbeeldingen. De codetemplate wordt geleverd met essentiële codeblokken. TensorFlow kan worden gebruikt om de gegevens te trainen en de nauwkeurigheidsscore op de testgegevens te berekenen.
Leerresultaten
Aan het einde van deze eLearning Cursus Deep Learning met Keras & TensorFlow zul je in staat zijn om:
Begrijp de concepten van Keras en TensorFlow, de belangrijkste functies, bewerkingen en de uitvoeringspijplijn
Implementeer deep learning-algoritmen, begrijp neurale netwerken en doorgrond de lagen van data-abstractie
Beheers en begrijp geavanceerde onderwerpen zoals convolutionele neurale netwerken, recurrente neurale netwerken, het trainen van diepe netwerken en high-level interfaces
Bouw diepgaande leermodellen met behulp van Keras en TensorFlow frameworks en interpreteer de resultaten
Begrijp de taal en de fundamentele concepten van kunstmatige neurale netwerken, toepassing van auto-encoders, en Pytorch en zijn elementen
Problemen oplossen en diepgaande leermodellen verbeteren
Bouw aan je deep learning project
Onderscheid maken tussen machine learning, deep learning en kunstmatige intelligentie
Belangrijkste kenmerken
34 uur gemengd leren
Eén industrie-gerelateerd eindproject voor een cursus
Interactief leren met geïntegreerde laboratoria in Jupyter notebooks
Toegewijde mentorsessie van faculteit van industrie-experts
Wie zou zich moeten inschrijven voor dit programma?
Studenten moeten in het bezit zijn van een bachelordiploma of een middelbareschooldiploma. Vertrouwdheid met de basisprincipes van programmeren, een behoorlijk begrip van de basis van statistiek en wiskunde, en een goed begrip van de concepten van machine learning zijn vereist.
AI-ingenieur
Datawetenschapper
Software Engineer
Studenten in bachelor-/masterprogramma's
Data-analist
Heb je en zakelijke oplossing of LMS-integratie nodig?
Heb je niet de cursus of het programma gevonden dat geschikt zou zijn voor jouw bedrijf? Heb je een LMS-integratie nodig? Neem contact met ons op! Wij zullen met een passende oplossing komen!