全栈人工智能工程师 – 深度学习 – II

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz
语言：英语 |时长：6小时6米

你将学到什么

• 使用具有强大工程基础的 PyTorch 从头开始构建深度学习模型
• 使用具有强大工程基础的 PyTorch 从头开始构建深度学习模型
• 有效理解并应用神经网络、反向传播和优化
• 使用正则化和泛化技术训练、评估和改进模型

要求

为现实世界的视觉和时间序列任务构建 CNN 和序列模型。
为现实世界的视觉和时间序列任务构建 CNN 和序列模型。
应用 CNN 和序列模型端到端解决真实图像和时间序列问题。
使用 CNN 和序列网络创建计算机视觉和时间序列解决方案。

描述

“本课程包含人工智能的使用”深度学习不再只是一种研究技能——它是一种核心工程能力。本课程《人工智能工程师深度学习基础》旨在带领您超越理论，帮助您像真正的人工智能工程师一样构建、训练、调试和管理深度学习系统。您将首先在神经网络中打下坚实的概念基础，了解人工神经元、前向传播、激活函数和损失函数如何协同工作以实现学习。您将通过视觉解释和代码驱动的演示来建立直觉，而不是记住公式。从那里，您将开始使用 PyTorch 训练深度神经网络，学习梯度下降、反向传播、优化器选择和学习率调整等关键技能。您将了解模型失败的原因、过度拟合是如何发生的，以及如何应用 L1/L2 惩罚、dropout 和批量归一化等正则化技术来提高泛化能力。本课程具有很强的实践性。您将实现：从头开始的神经网络端到端训练管道使用真实数据集的全连接网络使用 CNN 的图像分类模型使用 RNN、LSTM 和 GRU 的序列预测模型您还将通过学习模型保存、加载和版本控制、实验再现性、调试深度学习模型以及监控训练和验证曲线来培养强大的工程思维 – 这些技能在生产环境中而不仅仅是笔记本中至关重要。在课程结束时，您将不仅仅是“知道”深度学习”——您将像深度学习工程师一样思考和工作，能够构建可扩展、可重复且可投入生产的人工智能系统。

想要加深对深度神经网络理解的机器学习工程师、过渡到人工智能和深度学习角色的软件工程师、希望构建可用于生产的深度学习模型的数据科学家、准备人工智能、机器学习或深度学习面试的学生和毕业生