Utiliser Python pour apprendre les bases de TensorFlow et de l’apprentissage en profondeur (première introduction au code) Partie 2/2

Vous avez participé à la partie 2 de la plus longue série de vidéos TensorFlow et les bases de l’apprentissage en profondeur sur YouTube ! Cette partie continue là où la première partie s’est arrêtée, alors ouvrez la fenêtre Google Colab et préparez-vous à écrire plus de code TensorFlow. Inscrivez-vous au cours complet-obtenez tout le code/matériel sur GitHub-posez des questions-voir la partie 1-Documentation Python TensorFlow-autres liens : Web-live sur Twitch-obtenez des mises à jour par e-mail sur mon horodatage : 0 : 00-Introduction /Bonjour/Avez-vous vu la partie 1 ? Sinon, vous devriez être à 0 : 55-66. Partie non linéaire 1 (droite et non linéaire) 10 : 33-67. Partie non linéaire 2 (construire notre premier réseau de neurones à l’aide d’une fonction d’activation non linéaire) 16 : 21-68. Partie non linéaire 3 (mise à niveau de notre modèle non linéaire avec plus de couches) 26:40-69. Partie non linéaire 4 (modélisation de nos données non linéaires) 35:18-70. Partie non linéaire Partie 5 (reproduisant notre fonction non linéaire depuis le début ) 49:45-71. Obtenez d’excellents résultats en un temps plus court en ajustant le taux d’apprentissage 1:04:32-72. Utilisez des objets historiques pour tracer la courbe de perte du modèle 1 : 10:43-73. Utilisez les rappels pour trouver le taux d’apprentissage idéal du modèle 1:28:16-74. Entraînez et évaluez le modèle avec le taux d’apprentissage idéal 1:37:37- [Keynote] 75. Présentez plus de méthodes de classification 1:43:41-76. Découvrez la précision de notre modèle 1:47:59-77. Créez notre première matrice de confusion 1:56:27-78. Faites notre confusion La matrice est plus beau 2:10: 28-79. Classification multi-classe partie 1 (préparation des données) 2:21:04-80. Classification multi-classe partie 2 (combinée avec les données) 2:28:13-81 . Multi-classe classification partie 3 (construction d’un modèle multi-classes) 2:43:52-82. Classification multi-classes partie 4 (amélioration de notre modèle multi-classes) 2:56:35-83. Classification multi-classes partie 5 (Normalisation et non standardisation) 3:00:48-84. Classification multi-classe partie 6 (trouver le taux d’apprentissage idéal) 3:11:27-85. Classification multi-classe partie 7 (évaluation de notre modèle) 3:25: 34- 86. Classification multi-classes Classification par classes partie 8 (création d’une matrice de confusion) 3:30:00-87.Classification multi-classes partie 9 (visualisation d’échantillons aléatoires) 3:40:42-88. Quel modèle apprend notre modèle ? #tensorflow #deeplearning #machinelearning.