1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。

• 第1章深度學(xué)習(xí)概述
  1-1深度學(xué)習(xí)？深在哪里？！
  1-2課程內(nèi)容介紹
  1-3如何選擇各類深度學(xué)習(xí)模型
  1-4圖像的數(shù)據(jù)表示
  1-5圖像與數(shù)據(jù)的互相轉(zhuǎn)換
  1-6MNIST數(shù)據(jù)集介紹
  1-7CIFAR-10數(shù)據(jù)集介紹
  1-8什么是張量？
  1-9本課程代碼課件及數(shù)據(jù)
  第2章準(zhǔn)備軟件環(huán)境
  2-1Python常用IDE簡(jiǎn)介
  2-2Anaconda的安裝與配置
  2-3Jupyter Notebook的基本操作
  2-4Keras+TensorFlow組合的優(yōu)勢(shì)
  2-5Keras+TensorFlow組合的安裝
  第3章神經(jīng)網(wǎng)絡(luò)模型入門
  3-1神經(jīng)網(wǎng)絡(luò)的基本原理
  3-2神經(jīng)網(wǎng)絡(luò)原理的具體演示
  3-3神經(jīng)網(wǎng)絡(luò)的算法實(shí)質(zhì)
  3-4神經(jīng)網(wǎng)絡(luò)的連接函數(shù)
  3-5損失函數(shù)與凸函數(shù)
  3-6控制模型復(fù)雜度：正則化
  3-7損失函數(shù)的求解：梯度下降法
  3-8損失函數(shù)的求解：自適應(yīng)算法
  第4章Keras操作入門
  4-1Keras的基本操作步驟
  4-2Keras操作的常用命令
  4-3IRIS分析實(shí)例
  4-4模型的可視化
  4-5模型的終止訓(xùn)練、保存與載入
  4-6模型的修改
  4-7將Keras與sklearn結(jié)合使用
  4-8用Keras擬合MNIST案例
  第5章卷積神經(jīng)網(wǎng)絡(luò)
  5-1什么是卷積？
  5-2CNN的基本原理
  5-3CNN網(wǎng)絡(luò)的結(jié)構(gòu)
  5-4Keras中和CNN有關(guān)的層設(shè)定
  5-5MNIST實(shí)例的CNN實(shí)現(xiàn)
  5-6對(duì)CIFAR10案例擬合簡(jiǎn)單CNN模型
  5-7對(duì)CIFAR10案例擬合復(fù)雜CNN模型
  第6章圖像預(yù)處理
  6-1缺少源數(shù)據(jù)對(duì)建模的影響
  6-2定義所需的圖像變換方法
  6-3直接生成變換后的圖像數(shù)據(jù)
  6-4流式數(shù)據(jù)處理
  6-5圖像的縮放操作
  第7章遷移學(xué)習(xí)
  7-1為什么需要遷移學(xué)習(xí)？
  7-2LeNet和AlexNet
  7-3VGG
  7-4ResNet
  7-5GoogleNet
  7-6Xception、DenseNet和NasNet
  7-7Keras提供的預(yù)訓(xùn)練模型
  7-8直接應(yīng)用原模型預(yù)測(cè)
  7-9利用原模型對(duì)數(shù)據(jù)做預(yù)處理
  7-10Keras的函數(shù)式API
  7-11在原模型的基礎(chǔ)上繼續(xù)訓(xùn)練
  第8章循環(huán)神經(jīng)網(wǎng)絡(luò)1
  8-1RNN的基本原理
  8-2RNN的模型分類
  8-3RNN相關(guān)的網(wǎng)絡(luò)層定義
  8-4用RNN擬合MNIST案例
  8-5用RNN擬合IMDB案例
  第9章長(zhǎng)短期記憶網(wǎng)絡(luò)
  9-1LSTM的基本原理
  9-2用LSTM擬合IMDB案例
  9-3自動(dòng)寫作案例：數(shù)據(jù)準(zhǔn)備
  9-4自動(dòng)寫作案例：模型擬合
  9-5GRU的基本原理
  9-6用GRU擬合IMDB案例