现在人工智能呈指数级增长。示例包括每小时行驶数百万英里的自动驾驶汽车、IBMWatson对患者的诊断优于医生，以及AlphaGo击败世界冠军。其中，人工智能扮演着关键角色。随着人工智能的进一步发展，人们也提出了更高的要求。希望他们能解决更复杂的问题。解决问题的核心是深度学习。TensorFlow是一个使用数据流图进行数值计算的开源软件库。图中的节点表示数学运算，而图的边表示在它们之间传递多维数据数组。灵活的架构允许您使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU。TensorFlow最初是由谷歌机器智能研究机构GoogleBrain的研究人员和工程师开发的，用于进行机器学习和深度神经网络研究，该系统具有足够的通用性，可以应用于其他领域。它被世界各地的主要公司使用，包括Airbnb、Ebay、Dropbox、Snapchat、Twitter、Uber、SAP、Qualcomm、IBM、Intel，当然还有Google！1.DeepLearningPrerequisitesforDeepLearning:LinearRegressionDataScienceinPython：从头开始学习线性回归，并使用Python构建自己的工作程序进行数据分析。本课程将教您一种用于机器学习、数据科学和统计学的流行技术：线性回归。它将从根本上做到这一点：解决方案的推导及其对现实世界问题的应用。它将向您展示如何在Python中编写您自己的线性回归模块。线性回归是您可以学习的最简单的机器学习模型。在第一部分，它将向您展示如何使用一维线性回归来证明摩尔定律是正确的。在下一节中，它将把一维线性回归扩展到任意线性回归——换句话说，它将创建一个可以从多个输入中学习的机器学习模型。最后，我们将讨论一些在执行数据分析时需要注意的实际机器学习问题，例如泛化、过度拟合、训练-测试拆分等。2.深度学习的先决条件：Python中的逻辑回归本课程是深度学习和神经网络的入门课程——它涵盖了机器学习、数据科学和统计学中常用的基本技术：逻辑回归。本课程为您提供了很多实用的例子，让您真正了解如何使用深度学习。在整个课程中，它将通过您执行的课程项目向您展示如何根据用户数据预测用户行为，例如用户是否使用移动设备、他们查看了多少产品、他们在您的网站上停留了多长时间，多长时间他们是否是回头客以及他们访问的时间等。课程结束时的另一个项目将向您展示如何使用深度学习进行面部表情识别。想象一下，仅凭一张图片就能预测某人的心情该有多酷！3.使用Python进行深度学习的完整指南本课程将指导您如何使用Google的TensorFlow框架创建用于深度学习的人工神经网络。它旨在让您轻松了解GoogleTensorFlow框架的复杂性。充分利用TensorFlow框架的完整指南，同时向您展示深度学习的最新技术。这样做的目的是平衡理论和实践。它还附带大量练习，因此您可以测试您的新技能。本课程涵盖神经网络基础知识、tensorflow基础知识、人工神经网络、密集连接网络、卷积神经网络、递归神经网络、自动编码器、强化学习、OpenAIGym等。4.从零到使用Python和Keras进行深度学习本课程旨在全面介绍深度学习。它的目标受众是熟悉Python的初级和中级程序员以及数据科学家，他们希望了解深度学习技术并将其应用于各种问题。它将从深度学习应用程序的回顾和机器学习工具和技术的概述开始。然后介绍人工神经网络并解释如何训练它们来解决回归和分类问题。在本课程的其余部分，将介绍和解释包括完全连接、卷积和循环神经网络在内的多种架构，并提供大量示例应用程序来解释每种架构的理论。5.深度学习：Python中的卷积神经网络本课程是关于如何使用卷积神经网络进行计算机视觉深度学习的。这是图像分类的最新技术水平，他们在MNIST等任务上击败了普通深度网络。在StreetViewHouseNumber(SVHN)数据集（使用不同角度的较大彩色图像）中，计算和分类任务的难度变得更加严格。但它将通过卷积神经网络或CNN来应对挑战。此外，它还将向您展示如何构建可应用于音频的卷积滤波器，例如回声效果，以及如何构建用于图像效果的滤波器，例如高斯模糊和边缘检测。您还可以连接到生物学并讨论卷积神经网络如何受到动物视觉皮层的启发。6.深度学习：Python中的递归神经网络在课程的第一部分，我们将把时间的概念添加到我们的神经网络中。它将向您介绍简单的递归单元，也称为Elman单元。在课程的下一部分，您将重新审视递归神经网络最流行的应用之一——语言建模。神经网络的另一个流行的语言应用是词向量或词嵌入。最常见的技术称为Word2Vec，它告诉您如何使用递归神经网络来创建词向量。在接下来的部分中，您将看到备受推崇的LSTM和长期/短期记忆单元，以及更现代和高效的GRU或门控循环单元。您可以将它们应用于一些实际问题，例如从维基百科数据中学习语言模型并将结果可视化为词嵌入。7.深度学习A-Z?：人工神经网络实践在本课程中，您将深入了解人工神经网络并将其应用于实践。了解卷积神经网络并在实践中应用卷积神经网络；了解递归神经网络并在实践中应用递归神经网络；理解自组织映射并在实践中应用自组织映射；了解玻尔兹曼机并在实践中应用它们应用玻尔兹曼机。8.Python中的现代深度学习在本课程中，您将学习批处理和随机梯度下降。这是两种常用的技术，可让您在每次迭代时仅对一小部分数据进行训练，从而大大加快训练时间。您还将了解动量，这将帮助您通过当地的最低标准并防止您学得太慢。您还将了解自适应学习率技术，例如AdaGrad、RMSprop和Adam，它们可以帮助您加快训练速度。9.使用Python进行自然语言处理的深度学习在本课程中，您将看到高级NLP。它将向您展示word2vec的工作原理。从理论到实施，您会发现这只是您熟悉的技能的应用。nWord2vec很有趣，因为它神奇地将单词映射到可以找到类比的向量空间，例如：国王-男人=女王-女人，法国-巴黎=英国-伦敦，十二月-十一月-七月-六月。在GLoVe方法中，它也可以找到词向量，使用了一种称为矩阵分解的技术，这是一种用于反编译系统的流行算法。令人惊讶的是，GLoVe生成的词向量和word2vec生成的词向量一样好，你会更容易看到一些经典的NLP问题。比如词性标注和实体命名识别，用递归神经网络来解决。你会发现几乎任何问题都可以用神经网络解决，但实际上什么都不能解决。最后，您将了解递归神经网络，这将帮助我们解决情感分析中的否定问题。递归神经网络利用了句子的树状结构。我们终于可以摆脱一大堆词了。10.人工智能：Python中的强化学习当人们谈论人工智能时，通常指的不是有监督和无监督的机器学习。人们更多地指的是下象棋和围棋、驾驶汽车、以超人的水平击败电子游戏，而不是我们认为的AI所做的事情。（即强化学习）强化学习因为这些事情变得流行起来。同时，强化学习开辟了一个全新的“世界”。正如您将在本课程中了解到的，与监督学习和非监督学习相比，强化学习模型彼此不同。强化学习在行为心理学和神经科学领域带来了令人惊讶的新见解。11.数据科学、深度学习和Python机器学习为流行的职业道路做好准备。每个概念都以简单的英语介绍，从而避免了数学符号和术语的混淆。然后使用Python代码进行演示。您可以试验和构建它们，还可以做笔记以备将来参考。在本课程中，您不会关注这些算法的学术性、深入的数学覆盖——重点将放在它们的实际理解和应用上。最后，您将获得一个期末项目来应用您所学的知识。
