          神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)—TensorFlow培訓(xùn)

01
人工智能的起源和發(fā)展

1.1 人工智能的誕生
1.2 人工智能的發(fā)展
1.3 機智過人or技不如人？
02
TensorFlow2.0環(huán)境的安裝與使用

2.1 開發(fā)環(huán)境介紹
2.2 Anaconda的下載與安裝
2.3 Hello,World
2.4 使用Jupyter Notebook
2.5 包管理和環(huán)境管理
2.6 安裝TensorFlow2.0
*2.7 安裝TensorFlow2.0 GPU版本
03
Python語言基礎(chǔ)(1)

3.1 初識Python
3.2 第一個Python程序
3.3 輸入和輸出
3.4 常量、變量和表達式
3.5 程序控制語句
04
Python語言基礎(chǔ)(2)

4.1內(nèi)置數(shù)據(jù)結(jié)構(gòu)
4.2 函數(shù)和模塊
4.3 Python面向?qū)ο缶幊?br> 4.4 文件
4.5 異常處理
4.6 上下文管理器
05
NumPy科學(xué)計算庫

5.1 多維數(shù)組
5.2 創(chuàng)建NumPy數(shù)組
5.3 數(shù)組運算
5.4 矩陣和隨機數(shù)
06
Matplotlib數(shù)據(jù)可視化

6.1 Matplotlib繪圖基礎(chǔ)
6.2 散點圖
6.3 折線圖和柱形圖
6.4 實例：波士頓房價數(shù)據(jù)集可視化
6.5 實例：鳶尾花數(shù)據(jù)集可視化
07
數(shù)字圖像基礎(chǔ)

7.1 數(shù)字圖像基本概念
7.2 Pillow圖像處理庫
7.3 實例：手寫數(shù)字?jǐn)?shù)據(jù)集MNIST
08
Tensorflow基礎(chǔ)

8.1 Tensorflow2.0特性
8.2 創(chuàng)建張量
8.3 維度變換
8.4 部分采樣
8.5 張量運算
*8.6使用GPU
09
回歸問題

9.1 機器學(xué)習(xí)基礎(chǔ)
9.2 一元線性回歸
9.3 實例：解析法實現(xiàn)一元線性回歸
9.4 多元線性回歸
9.5 實例：解析法實現(xiàn)多元線性回歸
*9.6 實例：三維模型可視化
10
梯度下降法

10.1 梯度下降法基本原理
10.2 實例：梯度下降法實現(xiàn)線性回歸問題
10.3 TensorFlow的可訓(xùn)練變量和自動求導(dǎo)機制
10.4 實例：TensorFlow實現(xiàn)梯度下降法
10.5 模型評估
10.6 實例：波士頓房價預(yù)測
11
分類問題

11.1 邏輯回歸
11.2 實例：實現(xiàn)一元邏輯回歸
11.3 線性分類器
11.4 實例：實現(xiàn)多元邏輯回歸
11.5 多分類問題
*11.6 實例：實現(xiàn)多分類
12
人工神經(jīng)網(wǎng)絡(luò)(1)

12.1 神經(jīng)元與感知機
12.2 實例：單層神經(jīng)網(wǎng)絡(luò)實現(xiàn)鳶尾花分類
12.3 多層神經(jīng)網(wǎng)絡(luò)
12.4 誤差反向傳播算法
12.5 激活函數(shù)
12.6 實例：多層神經(jīng)網(wǎng)絡(luò)實現(xiàn)鳶尾花分類
13
人工神經(jīng)網(wǎng)絡(luò)(2)

13.1 小批量梯度下降
13.2 梯度下降法的優(yōu)化
13.3 keras和tf.keras
13.4 Sequential模型
13.5 實例：Sequential模型實現(xiàn)手寫數(shù)字識別
13.6 實例：模型的保存與加載
14
卷積神經(jīng)網(wǎng)絡(luò)

14.1 深度學(xué)習(xí)基礎(chǔ)
14.2 圖像識別與深度學(xué)習(xí)
14.3 圖像卷積
14.4 卷積神經(jīng)網(wǎng)絡(luò)
14.5 實例：卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)手寫數(shù)字識別
14.6 實例：卷積神經(jīng)網(wǎng)絡(luò)識別cifar10圖片