Deep Learning and Neural Networks in Python (Data Science)

本课程向学生介绍了深度学习的理论和实践，这是机器学习的一个子领域，专注于学习数据的表示。深度学习引起了广泛的关注，在诸如计算机视觉、自然语言处理和强化学习等各个领域取得了最先进的成果。本课程将涵盖神经网络、激活函数、优化技术和正则化方法等基础主题。还将探讨卷积神经网络（CNNs）、循环神经网络（RNNs）、自然语言处理（NLP）和计算机视觉等高级主题。课程的实践方面，包括使用流行框架（例如 TensorFlow、PyTorch）实现以及使用 GPU 进行加速，将是课程的一个重要组成部分。将讨论真实世界的应用和案例研究，以阐明深度学习在解决复杂问题中的力量和潜力。在整个课程中，学生将通过编程作业获得实践经验，在那里他们将应用深度学习技术解决自己感兴趣领域的难题。学习目标:建立对深度学习的理论基础的扎实理解，包括神经网络架构、激活函数和优化算法。通过使用 TensorFlow 和 keras 实施深度学习模型获得实践经验探索CNNs、RNNs 和 ANNs 等高级深度学习技术，并了解它们在各个领域的应用。学会使用适当的度量标准和可视化工具评估和解释深度学习模型。通过动手实践作业和案例研究将深度学习原则应用于真实世界问题。学习成果:通过本课程结束时，学生应能理解深度学习的基本原理及其关键算法。使用流行的深度学习框架实施和训练各种类型的神经网络。为不同任务（如分类、回归和序列预测）评估和解释深度学习模型。将深度学习技术应用于真实世界问题和数据集。批判性评估深度学习的当前研究，并随着该领域的进展而更新。

由 Chaitanya Attaluri 创建
MP4 | 视频：h264，1280×720 | 音频：AAC，44.1 KHz，2声道
类型：在线学习 | 语言：英语 | 时长：32讲座（5小时43分钟）| 大小：3.33 GB

学习在Python中创建深度学习模型

您将学到什么：
深度学习和人工神经网络理论
激活函数的类型
使用激活函数创建人工神经网络（ANN）
Tensof flow 和 keras 介绍
使用 Teras flow 和 keras 创建卷积神经网络（CNN）
创建循环神经网络（RNN）
自然语言处理（NLP）理论和实践项目
了解计算机视觉
ANN、CNN、RNN 的任务

要求:
基本的Python编程语言
机器学习模型的知识