Basic Artificial Neural Networks in Python
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
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.
Habilidades que você desenvolverá
Aprender passo a passo
Em um vídeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:
Generate a dataset using Scikit-Learn
Plot generated sample dataset to a graph using pyplot
For each layer, multiply inputs by randomly generated weights
For each layer, calculate the dot products of our two-dimensional sample features
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
Write a cost function in Python based on the Mean Squared Error method
Utilize gradient descent to adjust the weights of each layer of our ANN through back-propagation implementation in Python code
Como funcionam os projetos guiados
Sua área de trabalho é um espaço em nuvem, acessado diretamente do navegador, sem necessidade de nenhum download
Em um vídeo de tela dividida, seu instrutor te orientará passo a passo
Avaliações
Principais avaliações do BASIC ARTIFICIAL NEURAL NETWORKS IN PYTHON
It is an excellent project and is an amazing way of testing the old concepts and applying them in a new way.
The Virtual machine reloads quite often which gets very irritating, the project is great besides that.
Perguntas Frequentes – FAQ
Perguntas Frequentes – FAQ
O que eu ganho se comprar projetos guiados?
Os projetos guiados estão disponíveis no computador e em dispositivos móveis?
Quem são os instrutores dos projetos guiados?
Posso baixar o trabalho do meu projeto guiado após completá-lo?
Como funciona a política de reembolso?Como funciona a política de reembolso?
Existe algum auxílio financeiro disponível?
Posso participar como ouvinte de um projeto guiado e assistir de graça a uma parte do vídeo?
Quanta experiência eu preciso ter para fazer esse projeto guiado?
Posso completar esse projeto guiado pelo meu navegador web em vez de instalar um software especial?
Como é a experiência de aprendizado com os projetos guiados?
Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.
Coursera Footer
