MP4 |視頻：h264， 1920×1080 |音頻：AAC，44.1 KHz

語言：英語 |大小： 6.00 GB |時長： 14h 21m

在這個一體化深度學習訓練營中，使用 Python、PyTorch 和 TensorFlow 掌握神經網絡、DNN 和 CNN。

您將學

到什么 ? 機器學習的基礎知識。

? 神經網絡的基礎知識。

? 使用梯度下降算法訓練深度神經網絡 （DNN） 的基礎知識。

? 將深度學習用于 IRIS 數據集。

? 對 PyTorch 中的張量及其操作有深入的了解。

? 構建和訓練從基本到復雜的神經網絡的能力。

? 了解不同的損失函數、優化器和激活函數。

? 一個完整的項目，關于從 MRI 圖像中檢測腦腫瘤，展示您在深度學習和 PyTorch 方面的技能。

? 扎實掌握 TensorFlow 基礎知識

? 構建深度學習模型的

實踐經驗 ? 了解模型訓練、評估和優化

? 有信心探索更復雜的 AI 和機器學習項目

要求

? 不需要深度學習或數學的先驗知識。您將從基礎知識開始，逐步構建該主題的知識。

? 對 Python 編程有基本的了解。

不需要事先具備 TensorFlow 經驗，但對機器學習概念和 Python 有基本的了解會有所幫助。

描述

：您準備好通過掌握多種工具和框架來釋放深度學習和 AI 的全部潛力了嗎？這門綜合課程將指導您了解使用 Python、PyTorch 和 TensorFlow（用于構建智能模型的最強大庫和框架）進行深度學習的基礎知識。無論您是初學者還是經驗豐富的開發人員，本課程都提供了將理論概念與實際動手編碼相結合的分步學習體驗。在這段旅程結束時，您將對神經網絡有深入的了解，熟練應用深度神經網絡 （DNN） 來解決實際問題，并在卷積神經網絡 （CNN） 和從 MRI 圖像檢測腦腫瘤等尖端深度學習應用程序方面積累了專業知識。為什么選擇這門課程？本課程通過提供全面的學習路徑脫穎而出，該路徑融合了三個領先框架的基本方面：Python、PyTorch 和 TensorFlow。通過強調動手實踐和實際應用，您將快速從基本概念發展到掌握深度學習技術，最終創建復雜的 AI 模型。主要亮點：Python 從基礎開始學習 Python，逐步學習對實施深度學習算法至關重要的高級編程。PyTorch：掌握神經網絡的 PyTorch，包括用于圖像識別任務的張量運算、優化、autograd 和 CNN。TensorFlow：利用 Tensorboard 等工具實現模型可視化，釋放 TensorFlow 創建強大的深度學習模型的潛力。真實世界的項目：將您的知識應用于令人興奮的項目，例如 IRIS 分類、從 MRI 圖像中檢測腦腫瘤等。課程內容概述：模塊1：深度學習和Python簡介課程結構、學習目標和關鍵框架。Python 編程概述：從基礎到高級，確保您可以自信地實施任何深度學習概念。模塊 2：使用 Python 和 NumPy 的深度神經網絡 （DNN）使用 Python 和 NumPy 進行編程：了解數組、數據幀和數據預處理技術。使用 NumPy 從頭開始構建 DNN.實施機器學習算法，包括梯度下降、邏輯回歸、前饋和反向傳播.模塊 3：使用 PyTorch 進行深度學習了解張量及其在深度學習中的重要性。對張量執行操作并了解 autograd 以進行自動微分。使用 PyTorch 構建基本和復雜的神經網絡，實現 CNN 以執行高級圖像識別任務。最終項目：使用 MRI 圖像檢測腦腫瘤模塊 4：掌握 TensorFlow 進行深度學習深入了解 TensorFlow 并了解其核心功能。使用 TensorFlow 構建您的第一個深度學習模型，從簡單的神經元開始，逐漸發展到人工神經網絡 （ANN）。TensorFlow Playground：試驗各種模型并可視化性能。探索高級深度學習項目，學習梯度下降、紀元、反向傳播和模型評估等概念。誰應該參加這門課程？有抱負的數據科學家和機器學習愛好者渴望培養 Deep ExpertISE 中的定義。希望使用 PyTorch 和 TensorFlow 擴展技能的軟件開發人員。有興趣將深度學習應用于實際問題的業務分析師和 AI 愛好者。任何熱衷于了解深度學習如何推動從醫療保健到自動駕駛等各行各業創新的人。學習內容：使用 Python、NumPy 和 Pandas 進行編程，以進行數據操作和模型開發。如何使用 PyTorch 和 TensorFlow 構建和訓練深度神經網絡和卷積神經網絡.實用深度學習應用程序，如腦腫瘤檢測和 IRIS 分類。關鍵的機器學習概念，包括 Gradient Descent、Model Optimization 等。如何使用 PyTorch 中的 DataLoader 和 Transforms 等工具高效地預處理和處理數據以進行數據增強。實踐經驗：在本課程結束時，您不僅會學習理論，還會構建多個深度學習模型，獲得實際項目的實踐經驗。

概述

第 1 部分：深度學習：使用 Python 的初學者深度神經網絡

第一講宣傳片和亮點

第 2 講 簡介：講師和 Aisciences 簡介

第 3 講 課程材料和代碼的鏈接

第 4 講 深度學習基礎知識：需要解決的問題 第 1 部分

第 5 講 深度學習基礎知識：需要解決的問題 第 2 部分

第 6 講 深度學習基礎知識：需要解決的問題 第 3 部分

第 7 講 深度學習基礎知識：線性方程

第 8 講 深度學習基礎知識：線性方程矢量化

第 9 講：深度學習基礎知識：3D 特征空間

第 10 講 深度學習基礎：N 維空間

第 11 講 深度學習基礎：感知器理論

第 12 講 深度學習基礎知識：實現基本感知器

第 13 講 深度學習基礎知識：感知器的邏輯門

第 14 講 深度學習基礎知識：感知器訓練 第 1 部分

第 15 講 深度學習基礎知識：感知器訓練 第 2 部分

第 16 講 深度學習基礎知識：學習率

第 17 講 深度學習基礎知識：感知器訓練 第 3 部分

第 18 講 深度學習基礎：感知器算法

第19講深度學習基礎：覆蓋感知器算法（數據閱讀和可視化）

第 20 講 深度學習基礎：Coading Perceptron Algo （Perceptron Step）

第 21 講 深度學習基礎知識：Coading Perceptron Algo（訓練感知器）

第 22 講 深度學習基礎知識：Coading Perceptron Algo（可視化結果）

第 23 講 深度學習基礎：線性解問題

第 24 講 深度學習基礎知識：問題解決方案

第 25 講 深度學習基礎：誤差函數

第 26 講 深度學習基礎知識：離散誤差函數與連續誤差函數

第 27 講 深度學習基礎：S 形函數

第 28 講 深度學習基礎：多類問題

第 29 講 深度學習基礎：負分問題

第 30 講 深度學習基礎知識：Softmax 的需求

第 31 講 深度學習基礎知識：對 Softmax 進行編碼

第 32 講 深度學習基礎知識：一個熱門編碼

第 33 講 深度學習基礎知識：最大似然法 第 1 部分

第 34 講 深度學習基礎知識：最大似然 第 2 部分

第 35 講 深度學習基礎：交叉熵

第 36 講 深度學習基礎知識：交叉熵公式

第 37 講 深度學習基礎：多類交叉熵

第 38 講 深度學習基礎：交叉熵實現

第 39 講 深度學習基礎：Sigmoid 函數實現

第 40 講 深度學習基礎：輸出函數實現

第 41 講 深度學習：Gradient Decent 簡介

第 42 講 深度學習：凸函數

第 43 講 深度學習：導數的使用

第 44 講 深度學習：Gradient Decent 的工作原理

第 45 講 深度學習：梯度步驟

第 46 講 深度學習：Logistic 回歸算法

第 47 講 深度學習：數據可視化和讀取

第 48 講：深度學習：在 Python 中更新權重

第 49 講 深度學習：實施 Logistic 回歸

第 50 講 深度學習：可視化和結果

第 51 講 深度學習：梯度 Decent 與 Perceptron

第 52 講 深度學習：線性到非線性邊界

第 53 講 深度學習：組合概率

第 54 講 深度學習：加權和

第 55 講 深度學習：神經網絡架構

第 56 講 深度學習：層和 DEEP 網絡

第 57 講 深度學習：多類分類

第 58 講 深度學習：前饋基礎知識

第 59 講 深度學習：DEEP Net 的前饋

第 60 講：深度學習：深度學習算法概述

第 61 講 深度學習：反向傳播的基礎知識

第 62 講 深度學習：更新權重

第 63 講 深度學習：反向傳播的鏈式規則

第 64 講 深度學習：Sigma Prime

第 65 講 深度學習：數據分析 NN 實現

第 66 講 深度學習：一種熱門編碼（NN 實現）

第 67 講：深度學習：擴展數據（NN 實現）

第 68 講：深度學習：拆分數據（NN 實現）

第 69 講 深度學習：輔助函數 （NN 實現）

第 70 講 深度學習：訓練（神經網絡實施）

第 71 講 深度學習：測試（NN 實現）

第 72 講 優化：欠擬合 vs 過擬合

第 73 講 優化：提前停止

第 74 講 優化：測驗

第 75 講 優化：解決方案與正則化

第76講 優化：L1 & L2正則化

第 77 講：優化：丟棄

第 78 講 優化：局部最小值問題

第 79 講 優化：隨機重啟解決方案

第 80 講：優化：梯度消失問題

第 81 講 優化：其他激活函數

第 82 講 期末作業：期末作業第 1 部分

第 83 講 期末作業：期末作業第 2 部分

第 84 講 期末作業：期末作業第 3 部分

第 85 講 期末作業：期末作業第 4 部分

第 86 講 期末作業：期末作業第 5 部分

第 2 部分：PyTorch 的強大功能：從零到深度學習英雄 – PyTorch

第 87 講 課程材料和代碼的鏈接

第 88 講 簡介：模塊內容

第 89 講 簡介：框架的好處

第 90 講 簡介：安裝和設置

第 91 講 張量：張量簡介

第 92 講 張量：列表 vs 數組 vs 張量

第 93 講 張量：算術運算

第 94 講 張量：張量運算

第 95 講 張量：自輻射

第 96 講 張量：活動解

第 97 講 張量：分離梯度

第 98 講 Tensor：加載 GPU

第 99 講 NN 與 Tensor：模塊簡介

第 100 講 NN（含張量）：基本 NN（第 1 部分）

第 101 講：使用 Tensor 的 NN：基本 NN 第 2 部分

第 102 講 NN 與 Tensor：損失函數

第103講 NN 與 Tensor：激活函數和隱藏層

第 104 講 NN（使用 Tensor）：優化器

第105講 NN 與 Tensor：數據加載器和數據集

第 106 講 NN 與 Tensor：活動

第 107 講 NN 與 Tensor：活動解

第 108 講：使用 Tensor 進行 NN：格式化輸出

第 109 講 NN（含 Tensor）：損耗圖

第 110 講 CNN：模塊簡介

第 111 講 CNN：CNN 與 NN

第 112 講 CNN：卷積簡介

第 113 講 CNN：卷積動畫

第 114 講 CNN：使用 Pytorch 的卷積

第 115 講 CNN：礦池簡介

第 116 講 CNN：使用 Numpy 進行池化

第 117 講 CNN：Pytorch 中的池化

第 118 講 CNN：項目簡介

第 119 講 CNN：項目（數據加載）

第 120 講 CNN：項目（轉換）

第 121 講 CNN：項目 （DataLoaders）

第 122 講 CNN：項目（CNN 架構師）

第 123 講 CNN：項目（前向傳播）

第 124 講 CNN：項目（培訓 CNN）

第 125 講 CNN：項目（分析模型輸出）

第 126 講 CNN：項目（做出預測）

第 3 部分：TensorFlow 基礎知識：從基礎知識到出色的 AI 項目

第 127 講 課程材料和代碼的鏈接

第 128 講 TensorFlow 簡介：模塊介紹

第 129 講 TensorFlow 簡介：TensorFlow 定義和屬性

第 130 講 TensorFlow 簡介：張量類型和 Tesnor 板

第 131 講 TensorFlow 簡介：如何使用 TensorFlow

第 132 講 TensorFlow 簡介：Google Colab

第 133 講 TensorFlow 簡介：練習

第 134 講 TensorFlow 簡介：練習解決方案

第 135 講 TensorFlow 簡介：測驗

第 136 講 TensorFlow 簡介：測驗解決方案

第 137 講 構建您的第一個深度學習項目：模塊簡介

第 138 講 構建您的第一個深度學習項目：人工神經網絡

第 139 講 構建您的第一個深度學習項目：TensorFlow Playground

第 140 講 構建您的第一個深度學習項目：加載 TF 和數據

第 141 講 構建您的第一個深度學習項目：模型訓練和評估

第 142 講 構建您的第一個深度學習項目：項目

第 143 講 構建您的第一個深度學習項目：項目實施

第 144 講 構建您的第一個深度學習項目：測驗

第 145 講 構建您的第一個深度學習項目：測驗解決方案

第 146 講 多層深度學習項目：模塊介紹

第 147 講 多層深度學習項目：訓練和 Epochs

第 148 講 多層深度學習項目：梯度體面和反向傳播

第 149 講 多層深度學習項目：偏差方差權衡

第 150 講 多層深度學習項目：性能指標

第 151 講 多層深度學習項目：項目-銷售指導

第 152 講 多層深度學習項目：測驗

第 153 講 多層深度學習項目：測驗解決方案