现在的人工智能已经呈指数级增长. 比如, 自动驾驶汽车的时速达数百万英里, IBM Watson 在诊断病人的情况上比医生更好, AlphaGo 击败了世界冠军. 这其中, 人工智能扮演着关键的角色.
随着人工智能的进一步发展, 人们也提出了更高的要求. 希望它们可以解决更加复杂的问题. 而解决问题的核心就是深度学习.
TensorFlow 是使用数据流图像进行数值计算的开源软件库. 图中的节点代表数学运算, 而图的边缘代表在它们之间传递多维数据数组. 灵活的体系结构允许您使用单个 API 将计算部署到桌面, 服务器或移动设备中的一个或多个 CPU 或 GPU.TensorFlow 最初是由谷歌机器智能研究组织内的 Google Brain 的研究人员和工程师开发的, 目的是进行机器学习和深度神经网络研究, 该系统的通用性足以应用于其他领域.
它被全球各大公司所使用, 包括 Airbnb,Ebay,Dropbox,Snapchat,Twitter, 优步, SAP, 高通, IBM, 英特尔, 当然还有 Google!
1. 深度学习的先决条件: Python 中的线性回归
数据科学: 从零开始学习线性回归, 并使用 Python 构建自己的工作程序以进行数据分析.
本课程将教授您一种在机器学习, 数据科学和统计学中使用的一种流行技术: 线性回归. 它将从根本上做到: 解决方案的推导以及现实世界问题的应用. 它将向您展示如何在 Python 中编写自己的线性回归模块.
线性回归是您可以学习的最简单的机器学习模型. 在第一部分, 它将向您展示如何使用一维线性回归来证明莫尔定律是正确的. 在下一节中, 它将把一维线性回归扩展到任意线性回归 -- 换句话说, 它将创建一个可以从多个输入中学习的机器学习模型.
最后, 我们将讨论一些当您执行数据分析时需要注意的实际机器学习问题, 例如泛化, 过度拟合, 训练测试分割等.
2. 深度学习的先决条件: Python 中的逻辑回归
本课程是深度学习和神经网络的入门课程 -- 它涵盖了机器学习, 数据科学和统计学中常用的基本技术: 逻辑回归.
本课程为您提供了许多实用示例, 以便您可以真正了解如何使用深度学习. 在整个课程中, 它将通过您开展的课程项目, 向您展示如何根据用户数据预测用户行为, 比如用户是否在移动设备上, 他们查看的产品数量, 他们在您的网站上逗留了多久, 他们是否是回访者以及他们访问的时间等等.
课程结束后的另一个项目将向您展示了如何使用深度学习来进行面部表情识别. 想象一下, 仅仅基于图片就能够预测某人的情绪该多么酷!
3. 用 Python 进行深度学习的完整指南
本课程将指导您如何使用 Google 的 Tensor Flow 框架来创建用于深度学习的人工神经网络. 它旨在让您轻松理解 Google Tensor Flow 框架的复杂性. 引导您充分利用 Tensor Flow 框架的完整指南, 同时向您展示深度学习中的最新技术. 这样做的目的是平衡理论和实践. 同时它还配有大量的练习方便您测试新技能.
本课程涵盖神经网络基础, 张量流基础, 人工神经网络, 密集连接网络, 卷积神经网络, 递归神经网络, AutoEncoders, 强化学习, OpenAI Gym 等.
4. 使用 Python 和 keras 实现从零到深度学习
本课程旨在提供深度学习的完整介绍. 它的目标读者是熟悉 Python 的初学者和中级程序员和数据科学家, 他们希望了解深度学习技术并将其应用于各种问题.
它将首先回顾深度学习应用以及机器学习工具和技术的概述. 然后介绍人工神经网络并解释如何训练它们以解决回归和分类问题. 在课程的其余部分中, 还将介绍并解释包括完全连接, 卷积和递归神经网络在内的几种体系结构, 并对每种体系结构解释理论给出大量的示例应用.
5. 深度学习: Python 中的卷积神经网络
这门课程全部是关于如何使用卷积神经网络进行计算机视觉深度学习. 这是当前图像分类的最新技术, 它们在像 MNIST 这样的任务中击败了 vanilla deep networks. 在 StreetView House Number(SVHN)数据集中 -- 它使用不同角度的较大彩色图像 -- 因此计算和分类任务的难度都会变得更加严格. 但是它将通过卷积神经网络或 CNN 来应对挑战.
此外, 它还将向您展示如何构建可应用于音频的卷积滤波器, 如回声效应, 以及如何为图像效果构建滤波器, 如高斯模糊和边缘检测. 您还得联系到生物学, 讨论卷积神经网络是如何受到动物视觉皮层的启发.
6. 深度学习: Python 中的递归神经网络
在课程的第一部分中, 我们将添加时间概念到我们的神经网络. 它将向您介绍简单递归单位, 也称为 Elman 单位.
在本课程的下一部分中, 您需要重新审视循环神经网络最流行的应用之一 -- 语言建模.
神经网络另一个流行的语言应用是词向量或词嵌入. 最常见的技术称为 Word2Vec, 它会告诉您如何使用递归神经网络来创建词向量.
在接下来的部分中, 您将看到及受 "吹捧" 的 LSTM 和长期 / 短期记忆单元, 以及更现代, 更高效的 GRU 或门控循环单元. 您可以把它们应用于某些实际的问题, 例如从维基百科数据中学习语言模型, 并将结果可视化为单词嵌入.
7. 深度学习 A-Z: 手动式人工神经网络
在本课程中, 您将深入了解人工神经网络, 并在实践中应用人工神经网络. 理解卷积神经网络, 在实践中应用卷积神经网络; 理解循环神经网络, 在实践中应用循环神经网络; 理解自组织映射, 在实践中应用自组织映射; 理解玻尔兹曼机器, 在实践中应用玻尔兹曼机器.
8. Python 中的现代深度学习
在本课程中, 您将了解批量和随机梯度下降. 这是两种常用的技术, 可以让您在每次迭代时只对一小部分数据进行训练, 从而大大加快训练时间. 您还将了解动量, 这将会有助于通过当地最低标准, 并防止您的学习速度过于缓慢. 您还将了解如 AdaGrad,RMSprop 和 Adam 等自适应学习速率技术, 通过它们帮助您加快训练速度.
9. 使用 Python 进行自然语言处理的深度学习
在本课程中, 您将看到高级 NLP.It, 它将向您展示 word2vec 的工作原理. 从理论到实施, 您会发现它仅仅是您熟悉的技能的应用. nWord2vec 很有趣, 因为它神奇地将单词映射到一个可以找到类比的矢量空间, 例如: king - man = queen - woman,France - Paris = England - London,December - November - July - June. 在 GLoVe 方法中, 它也可以找到单词向量, 使用了一种称为矩阵分解的技术, 这是一种用于反编译系统的流行算法. 令人惊讶的是, 由 GLoVe 生成的单词向量与由 word2vec 生成的单词向量一样好, 并且您将更容易看到一些经典的 NLP 问题. 如词类标注和实体命名识别, 使用递归神经网络解决它们. 您会发现几乎任何问题都可以使用神经网络来解决, 但真的不是任何问题都可以.
最后, 您将学习递归神经网络, 它将帮助我们解决情感分析中的否定问题. 递归神经网络利用了句子具有树状结构的特性. 我们终于可以脱离一大堆单词.
10. 人工智能: Python 中的强化学习
当人们谈论人工智能时, 他们通常不是指有监督和无监督的机器学习. 与我们认为的人工智能所做的事情相比, 人们更多指的是像玩象棋和围棋, 驾驶汽车, 以超人的水平击败视频游戏.(即, 强化学习)强化学习因为这些事情而变得流行起来. 同时, 强化学习开辟了一个全新的 "世界".
正如您将在本课程中学习的那样, 强化学习模式与有监督学习和无监督学习相比, 它们彼此不同. 强化学习引发了行为心理学和神经科学领域的新的, 令人惊异的见解.
11. 数据科学, 深度学习和 Python 机器学习
如果您有一些编程或脚本经验, 本课程将向您介绍真正的数据科学家和机器学习从业人员在本行业使用的技术 -- 并为您迈入这一热门职业道路做好准备.
每个概念都是用简单的英文介绍的, 从而避免了数学符号和术语的混淆. 然后使用 Python 代码进行演示. 您可以尝试使用和构建它们, 并且可以保留以供将来参考的备注. 在这门课程中, 您不会重点学习这些算法的学术性, 深度性的数学涵盖 -- 重点是对它们的实际理解和应用. 最后, 您将得到一个最终的项目来应用您学到的知识.
来源: http://ai.51cto.com/art/201805/573010.htm