【中文普通话】2.6小时从零到AI英雄:使用TensorFlow创建神经网络
发布日期:2023年5月 MP4 | 视频:h264,1280×720 | 音频:AAC,44.1 KHz 语言:中文普通话 | 大小:846.76 MB | 时长:2小时44分钟
使用TensorFlow和Python构建、训练和部署您的第一个神经网络
您将学到什么: 了解人工智能和机器学习的基础知识。 设置TensorFlow环境以开始构建神经网络。 探索学习TensorFlow的原因以及其在机器学习领域的重要性。 熟悉人工智能和机器学习的概念,包括监督学习、无监督学习和神经网络。 使用TensorFlow和Python应用机器学习工作流程,从数据预处理到模型评估。 理解神经网络的内部工作原理,包括其架构、激活函数和反向传播算法。 使用TensorFlow构建和训练第一个神经网络,实现各种层、优化技术和损失函数。 通过正则化和超参数调整等技术监控和改进神经网络的性能。 学习部署训练好的神经网络的技巧,包括模型转换和部署选项。 获得使用TensorFlow和神经网络的实用技巧和最佳实践。 通过编码练习和项目获得实践经验,使学生能够应用他们的知识并构建自己的神经网络模型。 全面了解使用TensorFlow构建、训练和部署神经网络的整个过程。 获得信心,继续探索和尝试在各种实际应用中使用神经网络。
要求: 不需要先前使用TensorFlow的经验。 愿意学习和探索。 具备稳定的互联网连接的计算机。 基本的编程知识(推荐使用Python)。
描述: 准备好构建、训练和部署能够改变各个行业并解决复杂问题的智能系统。您对人工智能和机器学习的世界感到着迷吗?您想解锁神经网络的力量并学习如何构建智能系统吗?那就来参加我们关于使用TensorFlow构建、训练和部署神经网络的全面课程吧,TensorFlow是Python中深度学习的领先框架。在这门课程中,您将踏上一段令人兴奋的旅程,从TensorFlow的基础知识开始,一直到创建您自己的神经网络。无论您是机器学习的初学者还是经验丰富的开发人员,希望扩展自己的技能,本课程都旨在满足各个层次的学习者。不需要先前了解TensorFlow或深度学习的知识!
为什么选择这门课程? 实践方法:我们相信实践学习,本课程充满了真实世界的例子和项目,将加强您对TensorFlow和神经网络的理解。 用户友好的结构:我们的课程分为十个引人入胜的课程,让您可以按照自己的节奏逐步进展。每个课程都建立在前一个课程的基础上,确保无缝的学习体验。 以Python为动力:Python是机器学习的首选语言,本课程利用其简单性和多功能性,教授构建强大神经网络所需的概念和技术。
在这门全面且用户友好的课程中,您将学到什么? 课程概述:了解课程结构和目标,为您的深度学习之旅做好准备。 为什么学习TensorFlow:发现TensorFlow在人工智能和机器学习领域的重要性,了解为什么它是神经网络的首选框架。 设置TensorFlow环境:学习如何在计算机上安装和配置TensorFlow,确保顺畅的开发体验。 人工智能和机器学习概念:通过探索人工智能和机器学习的基本概念,建立坚实的基础。 使用TensorFlow和Python应用机器学习工作流程:了解使用TensorFlow和Python构建机器学习模型的端到端过程,从数据准备到模型评估。 理解神经网络:深入了解神经网络的结构、组成部分和功能。 构建和训练您的第一个神经网络:动手开始构建!学习如何使用TensorFlow设计和训练您自己的神经网络。 监控和改进神经网络性能:探索监控和评估神经网络性能的技术,并探索提高准确性和效率的策略。 部署您的神经网络:学习如何将训练好的神经网络部署到生产环境中,使其适用于实际应用。 总结:回顾关键概念和见解,并探索在深度学习领域进一步探索和成长的途径。 示例项目: 房价预测:利用神经网络预测基于房屋面积的房价,从中获得回归任务的见解。 服装类型识别:开发一个可以从图像中识别不同类型的服装的神经网络,打开图像分类技术的大门。
不要错过这个解锁人工智能和机器学习力量的黄金机会。立即注册,迈出成为TensorFlow英雄的第一步!
概述 第1节:介绍
第1课:课程概述
第2课:项目文件和源代码
第3课:关于视频播放控件的重要说明
第2节:为什么学习TensorFlow
第4课:什么是TensorFlow
第5课:为什么选择TensorFlow
第6课:TensorFlow工具和语言
第7课:所需技能
第8课:课程结构
第3节:设置TensorFlow环境
第9课:TensorFlow开发环境
第10课:什么是Google Colaboratory(也称为Colab)
第11课:开始使用Colab
第12课:导入TensorFlow
第13课:代码执行顺序
第14课:检查清单和总结
第4节:人工智能和机器学习概念
第15课:人工智能与机器学习的关系
第16课:实施机器学习
第17课:创建模型
第18课:训练模型
第19课:减少损失
第20课:评估训练好的模型
第21课:什么是张量
第22课:检查清单和总结
第5节:使用TensorFlow应用机器学习工作流程
第23课:设置第一个示例项目(房价预测)
第24课:定义问题和获取数据
第25课:探索数据
第26课:准备数据
第27课:创建模型
第28课:训练模型
第29课:提高性能
第30课:评估模型性能
第31课:总结
第6节:理解神经网络
第32课:使用神经网络进行机器学习
第33课:神经元的工作原理
第34课:神经元的结构
第35课:激活函数
第36课:从神经元到神经网络
第37课:使用未经训练的神经网络进行预测
第38课:训练神经网络
第39课:总结
第7节:构建和训练您的第一个神经网络
第40课:在TensorFlow中构建神经网络(图像分类项目)
第41课:获取和准备数据
第42课:演示如何创建模型
第43课:创建实际的真实模型
第44课:编译模型
第45课:训练和评估模型
第46课:总结
第8节:监控和改进神经网络性能
第47课:了解模型的问题
第48课:设置TensorBoard
第49课:监控训练模型的性能
第50课:减少训练数据过拟合
第51课:随机丢弃神经元输出
第52课:提前停止
第53课:保存训练好的模型
第54课:总结
第9节:部署您的神经网络
第55课:什么是部署神经网络
第56课:安装TensorFlow ModelServer
第57课:理解TensorFlow模型服务
第58课:使用TensorFlow模型服务
第59课:总结
第10节:作业
第60课:作业项目
第11节:结论和最后的话
第61课:您看到了什么
第62课:训练模型
第63课:监控、改进和部署模型
第64课:机器学习之旅的技巧
对于对机器学习有好奇心并希望使用TensorFlow构建智能系统的人来说,无论是企业家还是对人工智能在其行业中的能力和潜在应用感兴趣的业务专业人士,还是金融、医疗保健或营销等领域的专业人士,他们希望利用神经网络进行数据分析和决策,还是计算机科学或相关领域的学生,希望探索令人兴奋的机器学习世界,或者是对扩展知识并将机器学习纳入其应用程序的软件开发人员,以及希望在深度学习和神经网络方面提高技能的有抱负的数据科学家。
近期评论