Basic Artificial Neural Networks in Python

4.2
40件の評価
提供:
Coursera Project Network
1,819人がすでに登録済みです
このガイド付きプロジェクトでは、次のことを行います。

Generate a sample dataset using Scikit-Learn.

Implement an activation function and feed-forward propagation in a multi-layer ANN in Python code

Utilize gradient descent to adjust the weights of each layer of our ANN through back-propagation implementation in Python code

Clock2 hours
Intermediate中級
Cloudダウンロード不要
Video分割画面ビデオ
Comment Dots英語
Laptopデスクトップのみ

In this 1-hour long project-based course, you will learn basic principles of how Artificial Neural Networks (ANNs) work, and how this can be implemented in Python. Together, we will explore basic Python implementations of feed-forward propagation, back propagation using gradient descent, sigmoidal activation functions, and epoch training, all in the context of building a basic ANN from scratch. All of this will be done on Ubuntu Linux, but can be accomplished using any Python I.D.E. on any operating system. We will be using the IDLE development environment to write a single script to code our simple ANN. We will avoid using advanced frameworks such as Tensorflow or Pytorch, for educational purposes. Note that the resulting ANN we build will be use-case agnostic and be provided with dummy inputs. Hence, while the ANN we build and train today may appear to be a useless demonstration, it can easily be adapted to any type of use case if given proper, meaningful inputs. I would encourage learners to experiment- How easy is it to add more layers without using frameworks like Tensorflow? What if we add more nodes? What limitations do we come across? The learner is highly encouraged to experiment beyond the scope of the course. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

あなたが開発するスキル

Deep LearningArtificial Neural NetworkPython ProgrammingPropagationTensorflow

ステップバイステップで学習します

ワークエリアを使用した分割画面で再生するビデオでは、講師がこれらの手順を説明します。

  1. Generate a dataset using Scikit-Learn

  2. Plot generated sample dataset to a graph using pyplot

  3. For each layer, multiply inputs by randomly generated weights

  4. For each layer, calculate the dot products of our two-dimensional sample features

  5. Write a sigmoidal activation function in Python and pass the dot product of our features through it before passing as input to the next layer to accomplish feed-forward propagation

  6. Write a cost function in Python based on the Mean Squared Error method

  7. Utilize gradient descent to adjust the weights of each layer of our ANN through back-propagation implementation in Python code

ガイド付きプロジェクトの仕組み

ワークスペースは、ブラウザに完全にロードされたクラウドデスクトップですので、ダウンロードは不要です

分割画面のビデオで、講師が手順ごとにガイドします

レビュー

BASIC ARTIFICIAL NEURAL NETWORKS IN PYTHON からの人気レビュー

すべてのレビューを見る

よくある質問

よくある質問

  • ガイド付きプロジェクトを購入することによって、ガイド付きプロジェクトを完了するために必要なものすべてが得られます。これには、開始する必要のあるファイルとソフトウェアを含むWebブラウザを介したクラウドデスクトップワークスペースへのアクセスの他、専門家によるステップバイステップのビデオ講座が含まれます。

  • ワークスペースにはラップトップまたはデスクトップコンピューターに適したサイズのクラウドデスクトップが含まれているため、モバイル機器ではガイド付きプロジェクトを使用できません。

  • ガイド付きプロジェクトの講師は、プロジェクトのスキル、ツール、またはその分野での経験があり、知識を共有して世界中の何百万人もの受講生に影響を与えるたことに情熱を持つ専門家です。

  • ガイド付きプロジェクトから作成したファイルをダウンロードして保持できます。そのためには、クラウドデスクトップにアクセスしているときに「ファイルブラウザ」機能を使用できます。

  • ガイド付きプロジェクトは払い戻しの対象外です。すべての返金ポリシーを表示する

  • ガイド付きプロジェクトには学費援助が利用できません。

  • ガイド付きプロジェクトでは監査を使用できません。

  • ページの上部で、このガイド付きプロジェクトの経験レベルを押して、知識の前提条件を表示できます。ガイド付きプロジェクトのすべてのレベルで、インストラクターがステップバイステップでご案内します。

  • はい。ガイド付きプロジェクトを完了するために必要なものはすべて、ブラウザで利用可能なクラウドデスクトップで利用できます。

  • 分割画面環境でタスクをブラウザで直接完了することで学習できます。画面の左側で、ワークスペースでタスクを完了します。画面の右側で、講師がプロジェクトをステップごとにガイドします。

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。