[ad_1]
Éditeur : Académie Start-Tech
Prix : 199 $
Durée du cours : 0
->
Langue du cours : Anglais
Vous cherchez un complet Cours sur le réseau neuronal convolutif (CNN) qui vous apprend tout ce dont vous avez besoin pour créer un modèle de reconnaissance d’image en R, non?
Vous avez trouvé le bon Cours sur les réseaux de neurones convolutifs!
Après avoir terminé ce cours vous serez en mesure de:
-
Identifiez les problèmes de reconnaissance d’image qui peuvent être résolus à l’aide des modèles CNN.
-
Créez des modèles CNN dans R à l’aide des bibliothèques Keras et Tensorflow et analysez leurs résultats.
-
Pratiquer, discuter et comprendre les concepts de Deep Learning en toute confiance
-
Avoir une compréhension claire des modèles de reconnaissance d’image avancée tels que LeNet, GoogleNet, VGG16, etc.
Comment ce cours vous aidera-t-il?
UNE Certificat d’achèvement vérifiable est présenté à tous les étudiants qui entreprennent ce cours sur les réseaux de neurones convolutionnels.
Si vous êtes un analyste ou un scientifique ML, ou un étudiant qui veut apprendre et appliquer des problèmes de reconnaissance d’image dans le monde réel, ce cours vous donnera une base solide pour cela en vous enseignant certains des concepts les plus avancés du Deep Learning et leur implémentation en R sans devenir trop mathématique.
Pourquoi devriez-vous choisir ce cours?
Ce cours couvre toutes les étapes à suivre pour créer un modèle de reconnaissance d’image à l’aide de réseaux de neurones convolutifs.
La plupart des cours se concentrent uniquement sur l’enseignement de l’exécution de l’analyse, mais nous pensons qu’une bonne compréhension théorique des concepts nous permet de créer un bon modèle. Et après avoir exécuté l’analyse, il faut être capable de juger de la qualité du modèle et d’interpréter les résultats pour pouvoir réellement aider l’entreprise.
Qu’est-ce qui nous rend qualifiés pour vous enseigner?
Le cours est dispensé par Abhishek et Pukhraj. En tant que responsables de la société de conseil Global Analytics, nous avons aidé les entreprises à résoudre leurs problèmes commerciaux à l’aide de techniques d’apprentissage approfondi et nous avons utilisé notre expérience pour inclure les aspects pratiques de l’analyse des données dans ce cours.
Nous sommes également les créateurs de certains des cours en ligne les plus populaires – avec plus de 300 000 inscriptions et des milliers de critiques 5 étoiles comme celles-ci:
C’est très bien, j’aime le fait que toutes les explications données puissent être comprises par un profane – Joshua
Merci Auteur pour ce merveilleux cours. Vous êtes le meilleur et ce cours vaut n’importe quel prix. – Marguerite
Notre promesse
Enseigner à nos élèves est notre métier et nous y sommes attachés. Si vous avez des questions sur le contenu du cours, la feuille de pratique ou tout ce qui concerne un sujet, vous pouvez toujours poster une question dans le cours ou nous envoyer un message direct.
Téléchargez les fichiers d’entraînement, passez le test d’entraînement et terminez les devoirs
À chaque conférence, vous trouverez des notes de cours à suivre. Vous pouvez également passer un test pratique pour vérifier votre compréhension des concepts. Il y a une tâche pratique finale pour que vous mettiez en pratique votre apprentissage.
Que couvre ce cours?
Ce cours vous enseigne toutes les étapes de la création d’un modèle basé sur un réseau neuronal, c’est-à-dire un modèle d’apprentissage en profondeur, pour résoudre des problèmes commerciaux.
Voici le contenu du cours de ce cours sur ANN:
-
Partie 1 (Section 2) – Configuration de R et R Studio avec cours intensif R
-
Cette partie vous permet de démarrer avec R.
Cette section vous aidera à configurer le studio R et R sur votre système et vous expliquera comment effectuer certaines opérations de base dans R.
-
-
Partie 2 (Section 3-6) – Concepts théoriques ANN
Cette partie vous donnera une solide compréhension des concepts impliqués dans les réseaux de neurones.
Dans cette section, vous découvrirez les cellules individuelles ou les perceptrons et comment les perceptrons sont empilés pour créer une architecture réseau. Une fois l’architecture définie, nous comprenons l’algorithme de descente de gradient pour trouver les minima d’une fonction et apprendre comment cela est utilisé pour optimiser notre modèle de réseau.
-
Partie 3 (Section 7-11) – Création d’un modèle ANN dans R
Dans cette partie, vous apprendrez à créer des modèles ANN dans R.
Nous allons commencer cette section en créant un modèle ANN à l’aide de l’API séquentielle pour résoudre un problème de classification. Nous apprenons à définir l’architecture réseau, à configurer le modèle et à former le modèle. Ensuite, nous évaluons les performances de notre modèle formé et les utilisons pour prédire de nouvelles données. Enfin, nous apprenons comment enregistrer et restaurer des modèles.
Nous comprenons également l’importance des bibliothèques telles que Keras et TensorFlow dans cette partie.
-
Partie 4 (section 12) – Concepts théoriques de CNN
Dans cette partie, vous découvrirez les couches convolutionnelles et de mise en commun qui sont les éléments constitutifs des modèles CNN.
Dans cette section, nous commencerons par la théorie de base de la couche convolutionnelle, de la foulée, des filtres et des cartes d’entités. Nous expliquons également en quoi les images en niveaux de gris sont différentes des images colorées. Enfin, nous discutons de la couche de mise en commun qui apporte une efficacité de calcul dans notre modèle.
-
Partie 5 (Section 13-14) – Création d’un modèle CNN dans R
Dans cette partie, vous apprendrez à créer des modèles CNN dans R.Nous prendrons le même problème de reconnaissance des objets de mode et y appliquerons le modèle CNN. Nous comparerons les performances de notre modèle CNN avec notre modèle ANN et remarquerons que la précision augmente de 9 à 10% lorsque nous utilisons CNN. Mais ce n’est pas fini. Nous pouvons encore améliorer la précision en utilisant certaines techniques que nous explorons dans la partie suivante.
-
Partie 6 (Section 15-18) – Projet de reconnaissance d’image de bout en bout dans R
Dans cette section, nous construisons un projet de reconnaissance d’image complet sur des images colorées.Nous prenons un concours de reconnaissance d’image Kaggle et construisons un modèle CNN pour le résoudre. Avec un modèle simple, nous atteignons près de 70% de précision sur l’ensemble de test. Ensuite, nous apprenons des concepts comme l’augmentation de données et l’apprentissage par transfert qui nous aident à améliorer le niveau de précision de 70% à près de 97% (aussi bien que les gagnants de ce concours).
À la fin de ce cours, votre confiance dans la création d’un modèle de réseau de neurones convolutionnel dans R montera en flèche. Vous aurez une compréhension approfondie de la façon d’utiliser CNN pour créer des modèles prédictifs et résoudre les problèmes de reconnaissance d’image.
Allez-y et cliquez sur le bouton d’inscription, et je vous verrai dans la leçon 1!
À votre santé
Académie Start-Tech
————
Vous trouverez ci-dessous quelques questions fréquemment posées par les étudiants qui souhaitent commencer leur parcours d’apprentissage en profondeur.
Pourquoi utiliser R pour le Deep Learning?
Comprendre R est l’une des compétences précieuses nécessaires pour une carrière en apprentissage automatique. Voici quelques raisons pour lesquelles vous devriez apprendre le Deep learning in R
1. C’est un langage populaire pour l’apprentissage automatique dans les meilleures entreprises technologiques. Presque tous embauchent des scientifiques des données qui utilisent R. Facebook, par exemple, utilise R pour effectuer une analyse comportementale avec les données des utilisateurs. Google utilise R pour évaluer l’efficacité des annonces et faire des prévisions économiques. Soit dit en passant, ce ne sont pas seulement les entreprises technologiques: R est utilisé dans les cabinets d’analyse et de conseil, les banques et autres institutions financières, les établissements universitaires et les laboratoires de recherche, et à peu près partout ailleurs, les données doivent être analysées et visualisées.
2. L’apprentissage des bases de la science des données est sans doute plus facile dans R. R a un gros avantage: il a été conçu spécifiquement avec la manipulation et l’analyse des données à l’esprit.
3. Des forfaits incroyables qui vous facilitent la vie. Parce que R a été conçu avec une analyse statistique à l’esprit, il possède un écosystème fantastique de packages et d’autres ressources qui sont parfaits pour la science des données.
4. Communauté robuste et croissante de scientifiques et de statisticiens des données. Alors que le domaine de la science des données a explosé, R a explosé avec lui, devenant l’un des langages à la croissance la plus rapide au monde (tel que mesuré par StackOverflow). Cela signifie qu’il est facile de trouver des réponses aux questions et des conseils communautaires pendant que vous progressez dans les projets dans R.
5. Mettez un autre outil dans votre boîte à outils. Aucune langue ne sera le bon outil pour chaque travail. L’ajout de R à votre répertoire facilitera certains projets – et bien sûr, cela fera également de vous un employé plus flexible et plus commercial lorsque vous rechercherez des emplois en science des données.
Quelle est la différence entre l’exploration de données, l’apprentissage automatique et l’apprentissage en profondeur?
En termes simples, l’apprentissage automatique et l’exploration de données utilisent les mêmes algorithmes et techniques que l’exploration de données, sauf que les types de prédictions varient. Alors que l’exploration de données découvre des modèles et des connaissances jusque-là inconnus, l’apprentissage automatique reproduit des modèles et des connaissances connus et applique automatiquement ces informations aux données, à la prise de décision et aux actions.
Le Deep Learning, quant à lui, utilise une puissance de calcul avancée et des types particuliers de réseaux de neurones et les applique à de grandes quantités de données pour apprendre, comprendre et identifier des schémas complexes. La traduction automatique des langues et les diagnostics médicaux sont des exemples d’apprentissage en profondeur.
[ad_2]
Telecharger ici