課程大綱： 神經網絡與深度學習—TensorFlow培訓
01
人工智能的起源和發展
1.1 人工智能的誕生
1.2 人工智能的發展
1.3 機智過人or技不如人？
02
TensorFlow2.0環境的安裝與使用
2.1 開發環境介紹
2.2 Anaconda的下載與安裝
2.3 Hello,World
2.4 使用Jupyter Notebook
2.5 包管理和環境管理
2.6 安裝TensorFlow2.0
*2.7 安裝TensorFlow2.0 GPU版本
03
Python語言基礎(1)
3.1 初識Python
3.2 第一個Python程序
3.3 輸入和輸出
3.4 常量、變量和表達式
3.5 程序控制語句
04
Python語言基礎(2)
4.1內置數據結構
4.2 函數和模塊
4.3 Python面向對象編程
4.4 文件
4.5 異常處理
4.6 上下文管理器
05
NumPy科學計算庫
5.1 多維數組
5.2 創建NumPy數組
5.3 數組運算
5.4 矩陣和隨機數
06
Matplotlib數據可視化
6.1 Matplotlib繪圖基礎
6.2 散點圖
6.3 折線圖和柱形圖
6.4 實例：波士頓房價數據集可視化
6.5 實例：鳶尾花數據集可視化
07
數字圖像基礎
7.1 數字圖像基本概念
7.2 Pillow圖像處理庫
7.3 實例：手寫數字數據集MNIST
08
Tensorflow基礎
8.1 Tensorflow2.0特性
8.2 創建張量
8.3 維度變換
8.4 部分采樣
8.5 張量運算
*8.6使用GPU
09
回歸問題
9.1 機器學習基礎
9.2 一元線性回歸
9.3 實例：解析法實現一元線性回歸
9.4 多元線性回歸
9.5 實例：解析法實現多元線性回歸
*9.6 實例：三維模型可視化
10
梯度下降法
10.1 梯度下降法基本原理
10.2 實例：梯度下降法實現線性回歸問題
10.3 TensorFlow的可訓練變量和自動求導機制
10.4 實例：TensorFlow實現梯度下降法
10.5 模型評估
10.6 實例：波士頓房價預測
11
分類問題
11.1 邏輯回歸
11.2 實例：實現一元邏輯回歸
11.3 線性分類器
11.4 實例：實現多元邏輯回歸
11.5 多分類問題
*11.6 實例：實現多分類
12
人工神經網絡(1)
12.1 神經元與感知機
12.2 實例：單層神經網絡實現鳶尾花分類
12.3 多層神經網絡
12.4 誤差反向傳播算法
12.5 激活函數
12.6 實例：多層神經網絡實現鳶尾花分類
13
人工神經網絡(2)
13.1 小批量梯度下降
13.2 梯度下降法的優化
13.3 keras和tf.keras
13.4 Sequential模型
13.5 實例：Sequential模型實現手寫數字識別
13.6 實例：模型的保存與加載
14
卷積神經網絡
14.1 深度學習基礎
14.2 圖像識別與深度學習
14.3 圖像卷積
14.4 卷積神經網絡
14.5 實例：卷積神經網絡實現手寫數字識別
14.6 實例：卷積神經網絡識別cifar10圖片
加入高級會員獲得助教答疑
