Poznamy zaawansowane techniki Deep Learning – sieci neuronowe z TensorFlow/Keras, które są podstawą nowoczesnej sztucznej inteligencji i ChatGPT.
Ścieżka rozwoju:
- Python → Pandas/NumPy
- Scikit-learn → ML
- TensorFlow/PyTorch → DL
- Praktyczne projekty
Wprowadzenie do Deep Learning:
Kod Python – Deep Learning z TensorFlow:
import tensorflow as tf
from tensorflow import keras
from sklearn.preprocessing import StandardScaler
# Przygotowanie danych dla Deep Learning
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# Budowa sieci neuronowej
model = keras.Sequential([
keras.layers.Dense(64, activation='relu', input_shape=(2,)),
keras.layers.Dropout(0.2),
keras.layers.Dense(32, activation='relu'),
keras.layers.Dropout(0.2),
keras.layers.Dense(16, activation='relu'),
keras.layers.Dense(1) # Output layer
])
# Kompilacja modelu
model.compile(
optimizer='adam',
loss='mse',
metrics=['mae']
)
# Trenowanie
history = model.fit(
X_train_scaled, y_train,
epochs=100,
batch_size=32,
validation_split=0.2,
verbose=0
)
# Ewaluacja
dl_pred = model.predict(X_test_scaled)
dl_r2 = r2_score(y_test, dl_pred)
dl_rmse = np.sqrt(mean_squared_error(y_test, dl_pred))
print(f"Deep Learning - R²: {dl_r2:.3f}, RMSE: {dl_rmse:.0f}")
Brak odpowiedzi