Basic Artificial Neural Networks in Python

4.2
estrellas
40 calificaciones
ofrecido por
Coursera Project Network
1,702 ya inscrito
En este proyecto guiado, tú:

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
IntermediateIntermedio
CloudNo se necesita descarga
VideoVideo de pantalla dividida
Comment DotsInglés (English)
LaptopSolo escritorio

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 desarrollarás

Deep LearningArtificial Neural NetworkPython ProgrammingPropagationTensorflow

Aprende paso a paso

En un video que se reproduce en una pantalla dividida con tu área de trabajo, tu instructor te guiará en cada paso:

  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

Cómo funcionan los proyectos guiados

Tu espacio de trabajo es un escritorio virtual directamente en tu navegador, no requiere descarga.

En un video de pantalla dividida, tu instructor te guía paso a paso

Revisiones

Principales revisiones sobre BASIC ARTIFICIAL NEURAL NETWORKS IN PYTHON

Ver todos los comentarios

Preguntas Frecuentes

Preguntas Frecuentes

  • Al comprar un proyecto guiado, obtendrás todo lo que necesitas para completarlo, incluido el acceso a un espacio de trabajo de escritorio en la nube a través de tu navegador web que contiene los archivos y el software que necesitas para comenzar, además de instrucciones de video paso a paso de un experto en la materia.

  • Dado que tu espacio de trabajo contiene un escritorio en la nube del tamaño de una computadora portátil o computadora de escritorio, los proyectos guiados no están disponibles en tu dispositivo móvil.

  • Los instructores de proyectos guiados son expertos en la materia que tienen experiencia en habilidades, herramientas o dominios de su proyecto y les apasiona compartir sus conocimientos para impactar a millones de estudiantes en todo el mundo.

  • Puedes descargar y conservar cualquiera de tus archivos creados del proyecto guiado. Para hacerlo, puedes usar la función 'Explorador de archivos' mientras accedes a tu escritorio en la nube.

  • Los proyectos guiados no son elegibles para reembolsos. Ver nuestra política de reembolso completo.

  • La ayuda financiera no está disponible para proyectos guiados.

  • El acceso como oyente no está disponible para los proyectos guiados.

  • En la parte superior de la página, puedes presionar en el nivel de experiencia de este proyecto guiado para ver los requisitos de conocimientos previos. En cada nivel del proyecto guiado, tu instructor te orientará paso a paso.

  • Aprenderás completando tareas en un entorno de pantalla dividida directamente en tu navegador. En el lado izquierdo de la pantalla, completarás la tarea en tu espacio de trabajo. En el lado derecho de la pantalla, verás a un instructor guiarte a través del proyecto, paso a paso.

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.