Basic Artificial Neural Networks in Python

4.2
estrelas
39 classificações
oferecido por
Coursera Project Network
1,751 já se inscreveram
Neste projeto guiado, você irá:

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
IntermediateIntermediário
CloudSem necessidade de download
VideoVídeo em tela dividida
Comment DotsInglês
LaptopApenas em desktop

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

Deep LearningArtificial Neural NetworkPython ProgrammingPropagationTensorflow

Aprender passo a passo

Em um vídeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:

  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

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

Visualizar todas as avaliações

Perguntas Frequentes – FAQ

Perguntas Frequentes – FAQ

  • Ao comprar projetos guiados, você recebe tudo o que precisa para completá-los, inclusive acesso a um espaço de trabalho de área de trabalho na nuvem por meio do seu navegador web, que contém o software e os arquivos necessários para iniciar, além de um vídeo de instruções passo a passo de um especialista no assunto.

  • Como seu espaço de trabalho tem uma área de trabalho na nuvem dimensionada para notebooks e computadores desktop, os projetos guiados não estão disponíveis para dispositivos móveis.

  • Os instrutores do projeto guiado são especialistas no assunto, têm experiência com a habilidade, a ferramenta ou o domínio do projeto e amam compartilhar seus conhecimentos para ajudar milhões de aprendizes do mundo todo.

  • Você pode baixar e manter todos os arquivos que foram criados para seu projeto guiado. Para fazer isso, você pode usar o recurso "Navegador de arquivos" enquanto acessa a área de trabalho na nuvem.

  • Reembolsos não estão disponíveis para projetos guiados. Consulte nossa política de reembolso completa.

  • Não há auxílio financeiro disponível para projetos guiados.

  • A participação como ouvinte não está disponível para projetos guiados.

  • Na parte superior da página, você pode clicar no nível de experiência deste projeto guiado para visualizar os pré-requisitos de conhecimento. Em cada nível dos projetos guiados, seu instrutor o guiará passo a passo.

  • Você aprenderá na prática ao completar tarefas em um ambiente com tela dividida, diretamente em seu navegador. No lado esquerdo da tela, você completa a tarefa no seu espaço de trabalho. No lado direito, você assiste a um instrutor que o guiará pelo projeto, passo a passo.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.