Éditeur : École d’innovation disruptive

Durée du cours :

->

Langue du cours : Anglais

La description

Il s’agit d’un projet pratique. Vous apprenez par la pratique.

Pas de cours inutiles. Pas de détails inutiles.

Un parcours précis, précis et efficace fait pour ceux qui veulent apprendre la partie la plus importante de la science des données: Importation de jeux de données, création de modèles à l’aide des jeux de données et formation et test des modèles. Tout le reste tourne autour de cela.

Cependant, dans le cadre de ce projet, nous utiliserons des panneaux de signalisation pour les véhicules autonomes pour en savoir plus sur le Deep Learning et la science des données. Le même processus peut être répété pour d’autres projets également. Le même processus et les mêmes techniques peuvent être répétés pour d’autres projets d’apprentissage en profondeur. Certains de ces projets que vous pouvez créer en suivant un processus similaire sont les suivants:

Tu vas apprendre plus dans ce une heure de pratique que des centaines d’heures de cours théoriques inutiles.

La science des données est le travail le plus en vogue du 21e siècle. Vous avez besoin de bonnes compétences en programmation et en analyse et des années de travail acharné pour être un pro en science des données. Ce cours d’une heure est précis, pertinent et efficace. Il n’a pas de détails inutiles. C’est le seul cours dont vous avez besoin Nous comprenons que nos étudiants sont des professionnels et ont un temps limité et une durée d’attention limitée. Prendre quelques mois de cours et tout oublier en cours de route n’est pas un moyen efficace de se pencher. Nous apprenons par la pratique.

Apprenez l’aspect le plus important de la science des données:

• Importation et utilisation de jeux de données

• Création d’un modèle de réseau convolutionnel profond à l’aide de Keras

• Compiler, former, tester et analyser le modèle

Nous allons construire un classificateur de panneaux de signalisation en utilisant Keras. Dans ce projet pratique, nous accomplirons les tâches suivantes:

• Tâche 1: Aperçu du projet

• Tâche 2: Introduction à Google Colab et importation de bibliothèques

• Tâche 3: importation et exploration d’un ensemble de données

• Tâche 4: prétraitement des images

• Tâche 5: création d’un modèle de réseau convolutionnel profond à l’aide de Keras

• Tâche 6: compiler et former le modèle

• Tâche 7: Test du modèle avec l’ensemble de données de test et évaluation des performances du modèle de réseau de neurones à convolution formé

• Tâche 8: enregistrement du modèle formé

Nous réaliserons l’intégralité de notre projet dans l’environnement Google Colab. C’est pourquoi la pré-installation des bibliothèques et des dépendances n’est pas requise.