使用 Python 进行深度学习：完整训练营

MP4 |视频：h264，1920×1080 |音频：AAC、44.1 KHz、2 Ch
级别：所有级别 |类型： 电子学习 |语言： 英语 |时长：60 堂课（6h 38m）

你将学到什么

• 学习构建人工神经网络来解决现实问题的理论和实践技术
• 掌握卷积神经网络 (CNN)、递归神经网络 (RNN)、自组织映射 (SOM)、玻尔兹曼机和自动编码器的关键概念
• 评估、调整和优化神经网络超参数
• 针对分类和回归任务逐步构建神经网络
• 从头开始开发神经网络来预测二手车价格和视频游戏销量
• 实现卷积神经网络对手写数字进行分类并识别图像中的猫和狗
• 构建循环神经网络来预测 Petrobras 股票价格
• 将自组织映射应用于金融数据集中的数据聚类和欺诈检测

深度学习是现代人工智能最重要的领域之一。它使用人工神经网络来解决涉及计算机视觉、自然语言处理、时间序列分析、推荐系统、欺诈检测、内容生成以及世界各地公司和组织日常运营的许多其他应用程序的复杂问题。

深度学习技术为广泛的现代解决方案提供支持，包括智能助手、文本和图像的生成式 AI 模型、AI 辅助医疗诊断、自动驾驶车辆、高级推荐系统、图像和语音识别、需求预测、财务分析和药物发现。尽管随着基础模型的出现，人工智能近年来发展迅速，但神经网络仍然是这些突破背后的核心技术。

几乎每个行业的科技公司、金融科技公司、行业、初创公司、研究中心和组织对能够开发、培训、评估和部署深度学习模型的专业人员的需求持续增长。如今，人工智能和机器学习知识被认为是软件开发人员、数据分析师、数据科学家和技术专业人员的一项宝贵技能。

为了帮助您进入这个令人兴奋的领域，本课程提供了全面的学习体验，将理论基础与使用 Python 和机器学习生态系统中领先工具的实际应用相结合。内容结构经过精心设计，可指导您从基础知识到更高级的深度学习技术，为您提供理解、构建和调整神经网络模型以解决实际问题所需的知识。

该课程分为七个主要模块：

• 人工神经网络 (ANN)
• 卷积神经网络 (CNN)
• 递归神经网络 (RNN)
• 自组织映射 (SOM)
• 玻尔兹曼机
• 自动编码器
• 生成对抗网络 (GAN)

在每个模块中，您将学习基本概念，了解算法的工作原理，并使用 Python 逐步实现实际项目。

整个课程中开发的一些项目包括：

• 将肿瘤分类为良性或恶性
• 植物种类分类
• 预测二手车价格
• 预测视频游戏销量
• 手写数字识别
• 猫狗图像分类
• 《辛普森一家》中的 Homer 和 Bart 图像分类
• 图像中的对象识别（飞机、汽车、鸟类、猫、马、卡车等）
• 构建时间序列模型来预测股票价格
• 预测空气污染水平
• 根据葡萄酒的特征对葡萄酒进行聚类
• 对医疗记录进行分组以进行探索性分析
• 检测金融数据集中的潜在欺诈
• 图像和复杂数据集的降维
• 构建电影推荐系统
• 基于神经网络的推荐系统与传统协同过滤方法的比较
• 使用生成神经网络生成新图像

在每个理论模块的末尾，您都会找到用于强化所涵盖概念的测验，以及用于进一步学习的其他资源。实践部分包括编程练习和带有完整解决方案的完整项目，使您可以比较您的实现并加强您的理解。

本课程专为不同经验水平的学生、专业人士和技术爱好者而设计。如果这是您第一次接触深度学习、机器学习或神经网络，您将可以访问介绍性附录，其中涵盖了入门所需的基本概念。

唯一的必备先决条件是对编程逻辑的基本理解。不需要高级 Python 知识，因为整个课程中都详细解释了所有示例。

如果您想在深度学习方面打下坚实的基础并学习如何开发实用的神经网络应用程序，本课程适合您。