深度学习与TensorFlow 2入门实战 /
人工智能101学院
人工智能101学院提供最前沿的人工智能资讯和最专业的咨询服务,拥有丰富的海外一流名校博士导师资源,做华人圈最好的人工智能一站式培训学院。
 
  • 课程目录
  • 课程介绍
  • 课时1:深度学习框架介绍-1

  • 课时2:深度学习框架介绍-2

  • 课时3:开发环境安装-1

  • 课时4:开发环境安装-2

  • 课时5:Win10平台实录-1

  • 课时6:Win10平台实录-2

  • 课时7:Ubuntu平台实录-CUDA安装

  • 课时8:Ubuntu平台实录-Anaconda安装

  • 课时9:Ubuntu平台实录-TensorFlow/PyTorch安装

  • 课时10:Ubuntu平台实录-PyCharm安装

  • 课时11:线性回归-1

  • 课时12:线性回归-2

  • 课时13:回归问题实战-1

  • 课时14:回归问题实战-2

  • 课时15:手写数字问题-1

  • 课时16:手写数字问题-2

  • 课时17:手写数字问题-3

  • 课时18:手写数字问题初体验-1

  • 课时19:手写数字问题初体验-2

  • 课时20:Tensor数据类型-1

  • 课时21:Tensor数据类型-2

  • 课时22:创建Tensor-1

  • 课时23:创建Tensor-2

  • 课时24:创建Tensor-3

  • 课时25:索引与切片-1

  • 课时26:索引与切片-2

  • 课时27:索引与切片-3

  • 课时28:索引与切片-4

  • 课时29:索引与切片-5

  • 课时30:维度变换-1

  • 课时31:维度变换-2

  • 课时32:维度变换-3

  • 课时33:Broadcasting-1

  • 课时34:Broadcasting-2

  • 课时35:数学运算

  • 课时36:前向传播(张量)-实战-1

  • 课时37:前向传播(张量)-实战-2

  • 课时38:前向传播(张量)-实战-3

  • 课时39:前向传播(张量)-实战-4

  • 课时40:合并与分割

  • 课时41:数据统计

  • 课时42:张量排序-1

  • 课时43:张量排序-2

  • 课时44:填充与复制

  • 课时45:张量限幅-1

  • 课时46:张量限幅-2

  • 课时47:高阶操作-1

  • 课时48:高阶操作-2

  • 课时49:数据加载-1

  • 课时50:数据加载-2

  • 课时51:数据加载-3

  • 课时52:测试(张量)-实战

  • 课时53:全连接层-1

  • 课时54:全连接层-2

  • 课时55:输出方式

  • 课时56:误差计算-1

  • 课时57:误差计算-2

  • 课时58:误差计算-3

  • 课时59:梯度下降-简介-1

  • 课时60:梯度下降-简介-2

  • 课时61:函数优化实战

  • 课时62:手写数字问题实战(层)-1

  • 课时63:手写数字问题实战(层)-2

  • 课时64:手写数字问题实战(层)-3

  • 课时65:TensorBoard可视化-1

  • 课时66:TensorBoard可视化-2

  • 课时67:Keras高层API-1

  • 课时68:Keras高层API-2

  • 课时69:Keras高层API-3

  • 课时70:自定义层/网络-1

  • 课时71:自定义层/网络-2

  • 课时72:模型加载与保存

  • 课时73:CIFAR10自定义网络实战-1

  • 课时74:CIFAR10自定义网络实战-2

  • 课时75:CIFAR10自定义网络实战-3

  • 课时76:未更新

  • 课时77:什么是卷积-1

  • 课时78:什么是卷积-2

  • 课时79:什么是卷积-3

  • 课时80:什么是卷积-4

  • 课时81:卷积神经网络-1

  • 课时82:卷积神经网络-2

  • 课时83:卷积神经网络-3

  • 课时84:卷积神经网络-4

  • 课时85:池化与采样

  • 课时86:CIFAR100与VGG13实战-1

  • 课时87:CIFAR100与VGG13实战-2

  • 课时88:CIFAR100与VGG13实战-3

  • 课时89:CIFAR100与VGG13实战-4

  • 课时90:无监督学习

  • 课时91:Auto-Encoders原理

  • 课时92:Auto-Encoders变种

  • 课时93:Adversarial Auto-Encoders

  • 课时94:Variational Auto-Encoders引入

  • 课时95:Reparameterization Trick

  • 课时96:Variational Auto-Encoders原理

  • 课时97:未更新

  • 课时98:未更新

  • 课时99:生物神经元结构

  • 课时100:感知机的提出

  • 课时101:BP神经网络

  • 课时102:CNN和LSTM的发明

  • 课时103:人工智能低谷

  • 课时104:深度学习的诞生

  • 课时105:深度学习的爆发

  • 课时106:权值的表示

  • 课时107:多层感知机的实现

  • 课时108:BP神经网络前向传播

  • 课时109:BP神经网络反向传播-1

  • 课时110:BP神经网络反向传播-2

  • 课时111:BP神经网络反向传播-3

  • 课时112:多层感知机的训练

  • 课时113:多层感知机的测试

  • 课时114:实战小结

课程概述

亚洲排名第1的新加坡国立大学AI团队倾情打造,资深研究员龙龙老师主讲,帮助人工智能、深度学习初学者快速、深刻理解深度学习算法原理与实践。【莫烦老师】权威推荐:在教学中,龙龙老师以简短高效的方式,从深度学习的多个角度向我们展开了论述,非常适合想对深度学习有全方位了解的朋友。【爱可可-爱生活】友情分享了我们的课程Github链接!课程特色:1. 通俗易懂,快速入门对深度学习算法追本溯源、循序渐进式讲解,学员不需要任何机器学习基础,只需要写过代码即可轻松上手。2. 实用主导,简单高效使用最新的TensorFlow 2版本教学,比起TensorFlow 1.x版本难度降低了约50%。3. 案例为师,实战护航基于计算机视觉和NLP领域的经典数据集,从零开始结合TensorFlow 2与深度学习算法完成多个案例实战。4. 持续更新,永久有效一次购买,永久有效。深度学习课程会持续更新下去,内容和学术界最前沿算法保持同步。源代码和PPT请加QQ群(926107229)下载,同时提供专业答疑服务。 课程大纲(目前已更新完约70%):