Leer hoe u GAN’s en deep learning onder de knie krijgt met Keras. Begrijp de principes van deep learning en vijandige generatieve netwerken met behulp van Python en Keras in deze uitgebreide cursus.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Deze cursus is ontworpen om u mee te nemen op een diepgaande reis in de wereld van deep learning en kunstmatige intelligentie. De cursus begint met een inleiding tot de concepten van kunstmatige intelligentie en machine learning, en je bouwt een solide basis in neurale netwerken en deep learning met behulp van het Keras-framework. Naarmate je meer zelfvertrouwen krijgt, onderzoek je hoe neurale netwerken gegevens verwerken, resultaten voorspellen en complexe problemen oplossen.
In het tweede deel van de cursus verschuift de focus naar de krachtige vijandige generatieve netwerken (GAN’s). Je leert hoe GAN’s realistische gegevens kunnen genereren door te concurreren tussen twee neurale netwerken, de generator en de discriminator. Stap voor stap bouwt u GAN-modellen met behulp van de MNIST-gegevens, begrijpt u de interne werking van de modellen en stemt u ze af voor optimale prestaties.
Aan het einde van de cursus bent u bedreven in het omgaan met een verscheidenheid aan kunstmatige intelligentie- en deep learning-bibliotheken, het trainen van modellen met behulp van big data en het implementeren van deep learning-oplossingen. Of u nu werkt aan het maken van afbeeldingen of het vergroten van gegevens, deze cursus geeft u de expertise die nodig is om te slagen in de huidige AI-gestuurde wereld.
Deze cursus is ideaal voor halfgevorderden met basisvaardigheden voor Python-programmeren en enige bekendheid met kunstmatige intelligentie of machine learning-concepten. Je moet vertrouwd zijn met de basisprincipes van Python, inclusief datastructuren zoals lijsten en woordenboeken, en enige ervaring hebben met databibliotheken zoals NumPy.
De opgenomen projecten richten zich op praktische toepassingen zoals:
waardoor leerlingen deep learning- en GAN-technieken kunnen toepassen op problemen uit de echte wereld. Deze projecten bieden praktische ervaring met data-analyse, modelbouw en assimilatie, en zorgen ervoor dat leerlingen authentieke uitdagingen op verschillende gebieden kunnen oplossen.
