Bimbingan Skripsi Tesis Disertasi Python | Deep Learning: Recurrent Neural Networks Python
Yang akan Anda pelajari
-
Menerapkan RNN ke Time Series Forecasting (mengatasi masalah “Prediksi Saham” yang ada di mana-mana)
-
Menerapkan RNN ke Pemrosesan Bahasa Alami (NLP) dan Klasifikasi Teks (Deteksi Spam)
-
Menerapkan RNN ke Klasifikasi Gambar
-
Memahami simple recurrent unit (Elman unit), GRU, dan LSTM (long short-term memory unit)
-
Tulis berbagai jaringan berulang di Tensorflow 2
-
Pahami cara mengurangi masalah gradien menghilang
Persyaratan
-
Matematika dasar (mengambil turunan, aritmatika matriks, probabilitas) sangat membantu
-
Python, Numpy, Matplotlib
Deskripsi
*** TENSORFLOW 2 dan PYTHON 3 ***
Pelajari tentang salah satu arsitektur Deep Learning yang paling kuat !
Recurrent Neural Network (RNN) telah digunakan untuk mendapatkan hasil mutakhir dalam pemodelan urutan.
Ini termasuk analisis deret waktu , peramalan , dan pemrosesan bahasa alami (NLP) .
Pelajari mengapa RNN mengalahkan algoritme pembelajaran mesin jadul seperti Hidden Markov Models .
Kursus ini akan mengajarkan Anda:
- Dasar-dasar pembelajaran mesin dan neuron
- Jaringan saraf untuk klasifikasi dan regresi
- Bagaimana memodelkan data urutan
- Cara memodelkan data deret waktu
- Cara memodelkan data teks untuk NLP
- Cara membangun RNN menggunakan Tensorflow 2
- Cara menggunakan GRU dan LSTM di Tensorflow 2
- Cara melakukan peramalan deret waktu dengan Tensorflow 2
- Cara memprediksi harga saham dan pengembalian saham dengan LSTM di Tensorflow 2
- Cara menggunakan Penyematan di Tensorflow 2 untuk NLP
- Cara membuat RNN Klasifikasi Teks untuk NLP (contoh: deteksi spam, analisis sentimen, penandaan bagian ucapan, pengenalan entitas bernama)
Semua materi yang diperlukan untuk kursus ini dapat diunduh dan dipasang secara GRATIS. Kami akan melakukan sebagian besar pekerjaan kami di Numpy, Matplotlib , dan Tensorflow . Kami selalu tersedia untuk menjawab pertanyaan Anda dan membantu Anda sepanjang perjalanan ilmu data Anda.
Kursus ini berfokus pada ” bagaimana membangun dan memahami “, bukan hanya “bagaimana menggunakan”. Siapa pun dapat belajar menggunakan API dalam 15 menit setelah membaca beberapa dokumentasi. Ini bukan tentang “mengingat fakta”, ini tentang “melihat sendiri” melalui eksperimen . Ini akan mengajari Anda cara memvisualisasikan apa yang terjadi dalam model secara internal. Jika Anda menginginkan lebih dari sekadar tampilan dangkal model pembelajaran mesin, kursus ini cocok untuk Anda.
Sampai jumpa di kelas!
“Jika Anda tidak dapat menerapkannya, Anda tidak memahaminya”
- Atau seperti yang dikatakan fisikawan hebat Richard Feynman: “Apa yang tidak dapat saya buat, saya tidak mengerti”.
- Kursus ini adalah SATU-SATUNYA kursus di mana Anda akan mempelajari cara menerapkan algoritme pembelajaran mesin dari awal
- Kursus lain akan mengajari Anda cara menyambungkan data ke perpustakaan, tetapi apakah Anda benar-benar memahami dengan 3 baris kode?
- Setelah melakukan hal yang sama dengan 10 kumpulan data, Anda menyadari bahwa Anda tidak mempelajari 10 hal. Anda mempelajari 1 hal, dan hanya mengulangi 3 baris kode yang sama sebanyak 10 kali…
Prasyarat yang disarankan:
- penambahan matriks, perkalian
- probabilitas dasar (distribusi bersyarat dan gabungan)
- Pengodean python: if/else, loop, daftar, dikte, set
- Pengodean numpy: operasi matriks dan vektor, memuat file CSV
FITUR UNIK
- Setiap baris kode dijelaskan secara detail
- Tidak ada waktu yang terbuang untuk “mengetik” pada keyboard seperti kursus lainnya – jujur saja, tidak ada yang benar-benar dapat menulis kode yang layak dipelajari hanya dalam 20 menit dari awal
- Tidak takut dengan matematika tingkat universitas – dapatkan detail penting tentang algoritme yang tidak diberikan oleh kursus lain
Untuk siapa kursus ini:
- Pelajar, profesional, dan siapa pun yang tertarik dengan Deep Learning, Time Series Forecasting, Sequence Data, atau NLP
- Insinyur Perangkat Lunak dan Ilmuwan Data yang ingin meningkatkan karir mereka
