Jaringan Neural Berulang dengan TensorFlow

Pemrosesan data berurutan seperti teks, deret waktu, dan log sensor memerlukan model deep learning yang khusus yang memahami urutan dan konteks. Jaringan saraf rekuren (RNN) adalah arsitektur dasar yang dirancang untuk menangani pola-pola berurutan ini. Dalam kursus berbasis teks ini, Anda akan belajar bagaimana merancang, membangun, dan melatih RNN menggunakan TensorFlow. Anda akan berpindah dari memahami konsep dasar data berurutan ke menulis kode TensorFlow yang bersih dan modern untuk tugas seperti modeling teks dan forecasting time-series. Apa yang akan kau pelajari: - Mengerti arsitektur dasar dari Recurrent Neural Networks (RNNs), LSTMs, dan GRUs. - Siapkan dan pra-proses teks berurutan dan data deret waktu untuk model pembelajaran mendalam. - Bangun model urutan-ke-urutan dan urutan-to-vektor menggunakan API Keras modern di TensorFlow. - Terapkan teknik pelatihan seperti gradien clipping untuk menangani menghilang dan meledak gradien. - Konfigurasi mekanisme perhatian dasar untuk meningkatkan kinerja model urutan. - Evaluasi kinerja model menggunakan metrik urutan-spesifik dan fungsi kerugian. Perjalanan belajarmu dimulai dengan terminologi model urutan kunci dan konsep dasar jaringan saraf. Dari sana, Anda akan membaca implementasi kode langkah demi langkah, mengeksplorasi bagaimana struktur, melatih, dan mengoptimalkan arsitektur berulang untuk data dunia nyata. Kursus ini dirancang untuk ilmuwan data dan pengembang yang bercita-cita yang baru untuk pembelajaran mendalam berurutan, tidak memerlukan pengalaman sebelumnya dengan RNN. Mulai membaca hari ini untuk membuka kekuatan pembelajaran mendalam berurutan dengan TensorFlow.