|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/supervised-learning-for-ai-with-python-and-tensorflow-2/
课程评论：没有评论
Coursera 课程总结：使用 Python 和 TensorFlow 2 进行监督学习 本课程深入探讨监督学习技术，从基本概念到使用 TensorFlow 2 和 Keras 等流行深度学习框架的实际应用。 **第一部分：基础知识** * 理解人工智能中的监督学习。 * 区分参数化和非参数化模型。 * 掌握权重、偏置、阈值函数和学习率等基本概念。 * 学习向量化技术以提高代码效率。 * 掌握特征缩放、数据划分、独热编码和缺失数据处理等数据预处理技术。 * 区分分类和回归任务。 **第二部分：前馈网络** * 学习梯度下降优化算法。 * 使用 NumPy 实现逻辑回归模型。 * 使用 NumPy 实现前馈网络。 * 理解多任务和多类别分类的区别。 * 理解梯度消失问题。 * 处理过拟合。 * 学习批处理和各种优化器（动量、RMSprop、Adam）。 **第三部分：卷积神经网络 (CNN)** * 掌握滤波器、填充、步幅和重塑等基础概念。 * 使用 NumPy 实现卷积神经网络。 * 介绍 TensorFlow 2 和 Keras。 * 学习数据增强以减少过拟合。 * 理解并应用迁移学习以减少数据需求。 * 使用遮挡敏感性分析对象分类模型。 * 通过风格迁移生成艺术。 * 实现用于人脸验证和人脸识别的单次学习。 * 对血流图像执行物体检测。 **第四部分：序列数据** * 理解序列数据及其建模方式。 * 使用 NumPy 实现循环神经网络 (RNN)。 * 在 TensorFlow 2/Keras 中实现 LSTM 和 GRU。 * 从基础到高级技术进行情感分类。 * 理解词嵌入。 * 生成类似《罗密欧与朱丽叶》的文本。 * 在 TensorFlow 2/Keras 中实现注意力模型。 本课程将为您提供扎实的监督学习理论基础和丰富的实践经验，为构建和部署人工智能模型打下坚实基础。
Gain a deep understanding of Supervised Learning techniques by studying the fundamentals and implementing them in NumPy.Gain hands-on experience using popular Deep Learning frameworks such as Tensorflow 2 and Keras.Section 1 - The Basics:- Learn what Supervised Learning is, in the context of AI- Learn the difference between Parametric and non-Parametric models- Learn the fundamentals: Weights and biases, threshold functions and learning rates- An introduction to the Vectorization technique to help speed up our self implemented code- Learn to process real data: Feature Scaling, Splitting Data, One-hot Encoding and Handling missing data- Classification vs RegressionSection 2 - Feedforward Networks:- Learn about the Gradient Descent optimization algorithm. - Implement the Logistic Regression model using NumPy- Implement a Feedforward Network using NumPy- Learn the difference between Multi-task and Multi-class Classification- Understand the Vanishing Gradient Problem- Overfitting- Batching and various Optimizers (Momentum, RMSprop, Adam)Section 3 - Convolutional Neural Networks:- Fundamentals such as filters, padding, strides and reshaping- Implement a Convolutional Neural Network using NumPy- Introduction to Tensorfow 2 and Keras- Data Augmentation to reduce overfitting- Understand and implement Transfer Learning to require less data- Analyse Object Classification models using Occlusion Sensitivity- Generate Art using Style Transfer- One-Shot Learning for Face Verification and Face Recognition- Perform Object Detection for Blood Stream imagesSection 4 - Sequential Data- Understand Sequential Data and when data should be modeled as Sequential Data- Implement a Recurrent Neural Network using NumPy- Implement LSTM and GRUs in Tensorflow 2/Keras- Sentiment Classification from the basics to the more advanced techniques- Understand Word Embeddings- Generate text similar to Romeo and Juliet- Implement an Attention Model using Tensorflow 2/Keras
