現(xiàn)在的人工智能已經(jīng)呈指數(shù)級增長。比如，自動駕駛汽車的時速達數(shù)百萬英里，IBM Watson在診斷病人的情況上比醫(yī)生更好，AlphaGo擊敗了世界冠軍。這其中，人工智能扮演著關(guān)鍵的角色。
隨著人工智能的進一步發(fā)展，人們也提出了更高的要求。希望它們可以解決更加復(fù)雜的問題。而解決問題的核心就是深度學(xué)習(xí)。
TensorFlow是使用數(shù)據(jù)流圖像進行數(shù)值計算的開源軟件庫。圖中的節(jié)點代表數(shù)學(xué)運算，而圖的邊緣代表在它們之間傳遞多維數(shù)據(jù)數(shù)組。靈活的體系結(jié)構(gòu)允許您使用單個API將計算部署到桌面、服務(wù)器或移動設(shè)備中的一個或多個CPU或GPU。TensorFlow最初是由谷歌機器智能研究組織內(nèi)的Google Brain 的研究人員和工程師開發(fā)的，目的是進行機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)研究，該系統(tǒng)的通用性足以應(yīng)用于其他領(lǐng)域。
它被全球各大公司所使用，包括Airbnb、Ebay、Dropbox、Snapchat、Twitter、優(yōu)步，SAP、高通、IBM，英特爾，當(dāng)然還有Google！
1.深度學(xué)習(xí)的先決條件：Python中的線性回歸
數(shù)據(jù)科學(xué)：從零開始學(xué)習(xí)線性回歸，并使用Python構(gòu)建自己的工作程序以進行數(shù)據(jù)分析。
本課程將教授您一種在機器學(xué)習(xí)、數(shù)據(jù)科學(xué)和統(tǒng)計學(xué)中使用的一種流行技術(shù)：線性回歸。它將從根本上做到：解決方案的推導(dǎo)以及現(xiàn)實世界問題的應(yīng)用。它將向您展示如何在Python中編寫自己的線性回歸模塊。
線性回歸是您可以學(xué)習(xí)的最簡單的機器學(xué)習(xí)模型。在第一部分，它將向您展示如何使用一維線性回歸來證明莫爾定律是正確的。在下一節(jié)中，它將把一維線性回歸擴展到任意線性回歸——換句話說，它將創(chuàng)建一個可以從多個輸入中學(xué)習(xí)的機器學(xué)習(xí)模型。
最后，我們將討論一些當(dāng)您執(zhí)行數(shù)據(jù)分析時需要注意的實際機器學(xué)習(xí)問題，例如泛化、過度擬合、訓(xùn)練測試分割等。
2.深度學(xué)習(xí)的先決條件：Python中的邏輯回歸
本課程是深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的入門課程——它涵蓋了機器學(xué)習(xí)、數(shù)據(jù)科學(xué)和統(tǒng)計學(xué)中常用的基本技術(shù)：邏輯回歸。
本課程為您提供了許多實用示例，以便您可以真正了解如何使用深度學(xué)習(xí)。在整個課程中，它將通過您開展的課程項目，向您展示如何根據(jù)用戶數(shù)據(jù)預(yù)測用戶行為，比如用戶是否在移動設(shè)備上，他們查看的產(chǎn)品數(shù)量，他們在您的網(wǎng)站上逗留了多久，他們是否是回訪者以及他們訪問的時間等等。
課程結(jié)束后的另一個項目將向您展示了如何使用深度學(xué)習(xí)來進行面部表情識別。想象一下，僅僅基于圖片就能夠預(yù)測某人的情緒該多么酷！
3.用Python進行深度學(xué)習(xí)的完整指南
本課程將指導(dǎo)您如何使用Google的Tensor Flow框架來創(chuàng)建用于深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)。它旨在讓您輕松理解Google Tensor Flow框架的復(fù)雜性。引導(dǎo)您充分利用Tensor Flow框架的完整指南，同時向您展示深度學(xué)習(xí)中的最新技術(shù)。這樣做的目的是平衡理論和實踐。同時它還配有大量的練習(xí)方便您測試新技能。
本課程涵蓋神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、張量流基礎(chǔ)、人工神經(jīng)網(wǎng)絡(luò)、密集連接網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、AutoEncoders、強化學(xué)習(xí)、OpenAI Gym等。
4.使用Python和Keras實現(xiàn)從零到深度學(xué)習(xí)
本課程旨在提供深度學(xué)習(xí)的完整介紹。它的目標讀者是熟悉Python的初學(xué)者和中級程序員和數(shù)據(jù)科學(xué)家，他們希望了解深度學(xué)習(xí)技術(shù)并將其應(yīng)用于各種問題。
它將首先回顧深度學(xué)習(xí)應(yīng)用以及機器學(xué)習(xí)工具和技術(shù)的概述。然后介紹人工神經(jīng)網(wǎng)絡(luò)并解釋如何訓(xùn)練它們以解決回歸和分類問題。在課程的其余部分中，還將介紹并解釋包括完全連接、卷積和遞歸神經(jīng)網(wǎng)絡(luò)在內(nèi)的幾種體系結(jié)構(gòu)，并對每種體系結(jié)構(gòu)解釋理論給出大量的示例應(yīng)用。
5.深度學(xué)習(xí)：Python中的卷積神經(jīng)網(wǎng)絡(luò)
這門課程全部是關(guān)于如何使用卷積神經(jīng)網(wǎng)絡(luò)進行計算機視覺深度學(xué)習(xí)。這是當(dāng)前圖像分類的最新技術(shù)，它們在像MNIST這樣的任務(wù)中擊敗了vanilla deep networks。在StreetView House Number（SVHN）數(shù)據(jù)集中——它使用不同角度的較大彩色圖像——因此計算和分類任務(wù)的難度都會變得更加嚴格。但是它將通過卷積神經(jīng)網(wǎng)絡(luò)或CNN 來應(yīng)對挑戰(zhàn)。
此外，它還將向您展示如何構(gòu)建可應(yīng)用于音頻的卷積濾波器，如回聲效應(yīng)，以及如何為圖像效果構(gòu)建濾波器，如高斯模糊和邊緣檢測。您還得聯(lián)系到生物學(xué)、討論卷積神經(jīng)網(wǎng)絡(luò)是如何受到動物視覺皮層的啟發(fā)。
6.深度學(xué)習(xí)：Python中的遞歸神經(jīng)網(wǎng)絡(luò)
在課程的第一部分中，我們將添加時間概念到我們的神經(jīng)網(wǎng)絡(luò)。它將向您介紹簡單遞歸單位，也稱為Elman單位。
在本課程的下一部分中，您需要重新審視循環(huán)神經(jīng)網(wǎng)絡(luò)最流行的應(yīng)用之一——語言建模。
神經(jīng)網(wǎng)絡(luò)另一個流行的語言應(yīng)用是詞向量或詞嵌入。最常見的技術(shù)稱為Word2Vec，它會告訴您如何使用遞歸神經(jīng)網(wǎng)絡(luò)來創(chuàng)建詞向量。
在接下來的部分中，您將看到及受“吹捧”的LSTM和長期/短期記憶單元，以及更現(xiàn)代、更高效的GRU或門控循環(huán)單元。您可以把它們應(yīng)用于某些實際的問題，例如從維基百科數(shù)據(jù)中學(xué)習(xí)語言模型，并將結(jié)果可視化為單詞嵌入。
7.深度學(xué)習(xí)A-Z™：手動式人工神經(jīng)網(wǎng)絡(luò)
在本課程中，您將深入了解人工神經(jīng)網(wǎng)絡(luò)，并在實踐中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)。理解卷積神經(jīng)網(wǎng)絡(luò)，在實踐中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)；理解循環(huán)神經(jīng)網(wǎng)絡(luò)，在實踐中應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)；理解自組織映射，在實踐中應(yīng)用自組織映射；理解玻爾茲曼機器，在實踐中應(yīng)用玻爾茲曼機器。
8. Python中的現(xiàn)代深度學(xué)習(xí)
在本課程中，您將了解批量和隨機梯度下降。這是兩種常用的技術(shù)，可以讓您在每次迭代時只對一小部分數(shù)據(jù)進行訓(xùn)練，從而大大加快訓(xùn)練時間。您還將了解動量，這將會有助于通過當(dāng)?shù)刈畹蜆藴?，并防止您的學(xué)習(xí)速度過于緩慢。您還將了解如AdaGrad、RMSprop和Adam等自適應(yīng)學(xué)習(xí)速率技術(shù)，通過它們幫助您加快訓(xùn)練速度。
9.使用Python進行自然語言處理的深度學(xué)習(xí)
在本課程中，您將看到高級NLP.It，它將向您展示word2vec的工作原理。從理論到實施，您會發(fā)現(xiàn)它僅僅是您熟悉的技能的應(yīng)用。nWord2vec很有趣，因為它神奇地將單詞映射到一個可以找到類比的矢量空間，例如：king - man = queen - woman，F(xiàn)rance - Paris = England - London，December - November - July – June。在GLoVe方法中，它也可以找到單詞向量，使用了一種稱為矩陣分解的技術(shù)，這是一種用于反編譯系統(tǒng)的流行算法。令人驚訝的是，由GLoVe生成的單詞向量與由word2vec生成的單詞向量一樣好，并且您將更容易看到一些經(jīng)典的NLP問題。如詞類標注和實體命名識別，使用遞歸神經(jīng)網(wǎng)絡(luò)解決它們。您會發(fā)現(xiàn)幾乎任何問題都可以使用神經(jīng)網(wǎng)絡(luò)來解決，但真的不是任何問題都可以。
最后，您將學(xué)習(xí)遞歸神經(jīng)網(wǎng)絡(luò)，它將幫助我們解決情感分析中的否定問題。遞歸神經(jīng)網(wǎng)絡(luò)利用了句子具有樹狀結(jié)構(gòu)的特性。我們終于可以脫離一大堆單詞。
10.人工智能：Python中的強化學(xué)習(xí)
當(dāng)人們談?wù)撊斯ぶ悄軙r，他們通常不是指有監(jiān)督和無監(jiān)督的機器學(xué)習(xí)。與我們認為的人工智能所做的事情相比，人們更多指的是像玩象棋和圍棋、駕駛汽車、以超人的水平擊敗視頻游戲。（即，強化學(xué)習(xí)）強化學(xué)習(xí)因為這些事情而變得流行起來。同時，強化學(xué)習(xí)開辟了一個全新的“世界”。
正如您將在本課程中學(xué)習(xí)的那樣，強化學(xué)習(xí)模式與有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)相比，它們彼此不同。強化學(xué)習(xí)引發(fā)了行為心理學(xué)和神經(jīng)科學(xué)領(lǐng)域的新的，令人驚異的見解。
11.數(shù)據(jù)科學(xué)、深度學(xué)習(xí)和Python機器學(xué)習(xí)
如果您有一些編程或腳本經(jīng)驗，本課程將向您介紹真正的數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)從業(yè)人員在本行業(yè)使用的技術(shù)——并為您邁入這一熱門職業(yè)道路做好準備。
