|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/practical-neural-networks-with-keras-heb/
课程评论：没有评论
Coursera 课程总结：使用 Python 和机器学习开发神经网络 本课程深入探讨神经网络的理论基础和实践应用。您将学习神经网络的核心数学原理，并掌握使用 TensorFlow 等流行库进行模型开发的实际技能。 **主要学习内容包括：** * **基础理论：** * 随机梯度下降 (SGD) * 反向传播算法 * 过拟合与超参数调优 * L1 和 L2 正则化 * Dropout * 交叉熵损失函数与 Softmax 激活函数 * **高级模型与技术：** * 卷积神经网络 (CNN) 及其组成部分（Conv2D、池化、步幅、填充、通道） * 回归技术 * 梅尔频谱图 (Melspectogram) * 数据增强 (Data Augmentation) * 批量归一化 (Batch Normalization) * 函数式 API * 检查点与回调 (Checkpoints and Callbacks) * 迁移学习 (Transfer Learning) * 特征提取 (Feature Extraction) * **实践应用：** * 模型保存与加载 * 使用预训练模型进行预测 * 灵活构建神经网络层 **课程亮点：** * **丰富的案例：** 涵盖图像识别、语音文件识别、房价评估等多种实际应用场景。 * **深入浅出：** 结合数学原理和代码实现，帮助您全面理解神经网络。 * **实战导向：** 教授如何有效地使用 Python 库进行模型设计、训练和优化。 **先决条件：** 具备 Python 编程基础。 本课程将为您打下坚实的神经网络开发基础，助力您在机器学习领域取得更大成就。
הקורס מלמד הן את הרקע המתמטי של רשתות נוריונים והן את ההיבטים הפרקטים של שימוש בספריות:במהלך הקורס יוצגו דוגמאות רבות של מודלים לזיהוי תמונות, זיהוי קובצי קול, הערכת שווי של בתים ושימושים נוספים של רשתות. יוסברו טכניקות של רשתות מבוססות ארכיטקטורת קונבולוציה, רגרסיה ושיטות רבות לאופטימיזציה.כמו כן יודגמו שימושים בהביטם שונים של הספריה לשמירה של הרשת, שימוש ברשת קיימת לחיזוי, אופנים שונים של בנית שכבות ועוד.דרישת הקדם היחידה לקורס היא ידע בתכנות בפייתון.SGD- Stochastic Gradient DescentBackpropagationOverfitting & HyperparametersL1 & L2 RegularizationDropoutCross entropy loss function & softmax activation functionCNN - Convolutional Neural NetworkCNN layers ,Conv2D, pooling, strides, padding, channelsRegressionmelspectogramData augmentationBatch NormalizationFunctional APICheckpoints and CallbacksTransfer learningFeature extractions
