下载学堂APP缓存视频离线看
- 畅销套餐
- 精选套餐
- 人气套餐
- 尊享套餐
- 高薪套餐
- 课程介绍
- 课程大纲
适合人群：
高等院校相关专业师生； 准予培训机构的师生； 数据分析、数据挖掘人员； 人工智能、深度学习入门读者； 数据背景的数据科学家； 进行深度学习应用研究的科研人员；
你将会学到：
自搭建深度学习环境；了解Keras深度学习建模流程，掌握Keras深度学习模型效果评估。
课程简介：
1、介绍机器学习与深度学习的区别及联系，并花一定篇幅介绍了目前主流的深度学习框架。
2、详细介绍了如何安装Python的科学计算环境Anaconda和R语言的IDE工具RStudio，以及如何在Anaconda和RStudio安装TensorFlow和Keras。
3、通过深度学习中的相当于“Hello Word”的入门数据集MNIST为例，介绍如何利用Keras构建深度学习模型。
课程大纲-Keras深度学习：入门、实践及进阶
第1章机器学习与深度学习(28分钟3节)
1-1
《Keras深度学习入门、实践及进阶》书籍介绍本书涵盖了全连接神经网络（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码网络（AE）、生成式对抗网络（GAN）等模型原理介绍及Keras实践。并重点讲解如何对手头的图像数据和中文文本数据进行分析处理，以便学习如何训练这些模型以实现真实的图像处理和语言处理任务。
[14:25]开始学习1-2
机器学习与深度学习的区别与联系可以将深度学习、机器学习、人工智能想象成一组由小到大、一个套一个的俄罗斯套娃。深度学习是机器学习的一个子集，而机器学习则是人工智能的一个子集。机器学习与深度学习的区别在于，传统的机器学习需要定义一些人工特征，从而有目的去提取目标信息，非常依赖任务的特异性以及设计特征的专家经验。而深度学习可以从大数据中先学习简单的特征，并从其逐渐学习到更为复杂抽象的深层特征，不依赖人工的特征工程，这也是深度学习在大数据时代受欢迎的一大原因。
[03:14]开始学习1-3
机器学习算法基本原理与R语言实现“机器学习”的基本做法是通过复杂的算法来分析大量的数据，识别数据中的模式，并据此做出判断和预测。按照主流方法，机器学习的框架体系又可以分为分类、回归、聚类和关联规则等方法。其中聚类分析常用于客户分群和异常值侦测、关联规则常用于购物篮分析、分类和回归算法多用于预测场景。
[10:21]开始学习第2章主流深度学习框架介绍及深度学习环境准备(20分钟2节)
第3章Keras构建深度学习模型(1小时2分钟8节)
3-1
MNIST数据集介绍及读取MNIST （全称为 MixedNational Institute of Standards and Technology）手写数字识别数据集是由Yann LeCun所收集，他也是Convolution Neural Network的创始人。MNIST数字文字识别数据集数据量不会太大、而且是单色的图像，很适合深度学习的初学者用来练习建立模型、训练、预测。MNIST数据集共有训练数据60000项、测试数据10000项。MNIST数据集中的每一项数据都由image（数字图像）和label（真实的数字）所组成。
[10:10]开始学习3-4
建立全连接神经网络（DNN）模型架构我们将建立序贯（Sequential）堆积的深度神经网络模型，后续只需要通过 %>% 将各个神经网络层加入模型即可。该模型网络结构如下：输入层：因为每个数字图像的形状为784，故输入层共有784个神经元。隐藏层：共有256个神经元，激活函数为relu。输出层：共有10个神经元，因为是多分类问题，激活函数为softmax。
[08:53]开始学习第4章结课测试(01节)
“谢佳标”老师的其他课程更多+
