Course Outline

Invoering

Grondbeginselen van kunstmatige intelligentie en Machine Learning

Begrijpen Deep Learning

    Overzicht van de basisconcepten van deep learning, waarbij onderscheid wordt gemaakt tussen Machine Learning en deep learning. Overzicht van toepassingen voor deep learning

Overzicht van Neural Networks

    Wat zijn Neural Networks Neural Networks versus regressiemodellen Wiskundige grondslagen en leermechanismen begrijpen Een kunstmatig neuraal netwerk construeren Neurale knooppunten en verbindingen begrijpen Werken met neuronen, lagen en invoer- en uitvoergegevens Enkellaags-perceptronen begrijpen Verschillen tussen begeleid en onbewaakt leren Leren Feedforward en feedback Neural Networks Voorwaartse voortplanting en achterwaartse voortplanting begrijpen Het lange-kortetermijngeheugen (LSTM) begrijpen Herhalend onderzoek Neural Networks in de praktijk Onderzoeken van convolutioneel Neural Networks in de praktijk De weg verbeteren Neural Networks Leren

Overzicht van deep learning-technieken gebruikt in Telecom

    Neurale netwerken Natuurlijke taalverwerking Beeldherkenning Speech Recognition Sentimentanalyse

Casestudy's voor diepgaand leren verkennen voor Telecom

    Het optimaliseren van de routering en de kwaliteit van de dienstverlening door middel van real-time analyse van het netwerkverkeer. Het voorspellen van netwerk- en apparaatstoringen, uitval, pieken in de vraag, etc. Het in realtime analyseren van oproepen om frauduleus gedrag te identificeren. Het analyseren van klantgedrag om de vraag naar nieuwe producten en diensten te identificeren. Grote hoeveelheden sms-berichten verwerken. Berichten om inzicht te krijgen Speech Recognition voor ondersteuningsgesprekken SDN's en gevirtualiseerde netwerken in realtime configureren

De voordelen van deep learning begrijpen voor Telecom

Het verkennen van de verschillende Deep Learning-bibliotheken voor Python

    TensorFlow Moeilijk

Python instellen met de TensorFlow voor Deep Learning

    De TensorFlow Python API installeren De TensorFlow installatie testen TensorFlow instellen voor ontwikkeling Trainen van uw eerste TensorFlow Neural Net-model

Opzetten Python met Keras voor Deep Learning

Eenvoudige deep learning-modellen bouwen met Keras

    Een Keras-model maken Uw gegevens begrijpen Uw Deep Learning-model specificeren Uw model samenstellen dat bij uw model past Werken met uw classificatiegegevens Werken met classificatiemodellen Uw modellen gebruiken

Werken met TensorFlow voor Deep Learning voor Telecom

    De gegevens voorbereiden De gegevens downloaden Trainingsgegevens voorbereiden Testgegevens voorbereiden Invoer schalen met tijdelijke aanduidingen en variabelen
Specificeren van de netwerkarchitectuur
  • De kostenfunctie gebruiken
  • De optimalisatie gebruiken
  • Initialisatoren gebruiken
  • Het neurale netwerk aanpassen
  • Het opbouwen van de grafiekinferentie
  • Verlies
  • Opleiding
  • Het model trainen De grafiek
  • De sessie
  • Trein lus
  • Het model evalueren Het bouwen van de Eval-grafiek
  • Evalueren met Eval Output
  • Trainingsmodellen op schaal
  • Modellen visualiseren en evalueren met TensorBoard
  • Praktisch: een diepgaand lerend klantverloopvoorspellingsmodel bouwen met behulp van Python
  • Vergroot de mogelijkheden van uw bedrijf
  • Modellen in de cloud ontwikkelen met behulp van GPU's om deep learning te versnellen Deep learning Neural Networks toepassen voor computervisie, stemherkenning en tekstanalyse
  • Samenvatting en conclusie
  • Requirements

    • Ervaring met Python programmeren
    • Algemene bekendheid met telecomconcepten
    • Basiskennis van statistiek en wiskundige concepten

    Publiek

    • Ontwikkelaars
    • Datawetenschappers
      28 Hours

    Getuigenissen (5)

    Related Courses

    Related Categories