前端学堂
学有所用

深入浅出人工智能、机器学习与TensorFlow实战

人工智能的时代已经来了,再不学就晚了。说起来有点惭愧,我研究生主修方向是模式识别与人工智能,【捂脸哭】!

好汉不怕学习难,万水千山只等闲。钱是身外之物,关键是体验学习的痛苦和快乐

星星之火

google微信小程序你画我猜

google从图片智能生成描述文案CVPR2016

AlphaGo战胜人类

自动驾驶-图片识别移动物体、车辆、建筑物、标识牌、道路

随着摩尔定律,硬件性能提升,带来计算力的巨大提升,深度学习在图片识别领域获得了压倒性的胜利,也是现在研究最火热的方向,不懂深度学习的工程师是假工程师。 目的:研究人工智能,了解机器学习,应用到开发工作中。 在线课程云课堂视频教程

第一章 起源与发展

1.0 机器学习基础了解

1.1 人工智能与机器学习与深度学习介绍

1.2 人工智能与机器学习与深度学习常用算法

第二章 环境准备

2.1 搭建本地python和TensorFlow环境

2.2 机器学习基础数学知识

2.3 在线jupyter环境

2.4 Python 编程基础知识

第三章 模式识别与机器学习

虽然模式识别是很久远的事情了,但是作为理论基础,我们这里还是有必要介绍一下。主要是从原理上让大家理解模式识别的相关理论背景知识,并不会挨个介绍模式识别的算法,大家有兴趣可以课下翻阅相关的书籍。毕竟模式识别主要还是靠算法来实现相对的“智能”,所以相关的算法理论也有很多,大家可以扩展学习,同时考虑怎么把传统的模式识别算法搬到机器学习上来。 机器学习主要是考虑“学习”的过程和算法模型。有了模式识别的基础知识之后,就很好理解机器学习的不同学习方法,以及不同算法来学习模型的参数。

3.1 模式识别与机器学习常用术语及含义

3.2 模型训练与损失和泛化能力

3.3 训练集、测试集与验证集

3.4 数据处理与特征组合

3.5 逻辑回归模型实战

3.6 分类模型实战

3.7 简单正则化与稀疏正则化

3.8 神经网络模型创建与训练实战

3.9 多元神经网络拓展实战

3.10 用户兴趣推荐之协同过滤

第四章 深度学习

4.1 感知器原理与编码实现

4.2 线性单元和梯度下降方法应用

4.3 神经网络和反向传播算法原理和实现

4.4 卷积神经网络原理和实现

4.5 循环神经网络原理和实现

4.6 长短时记忆网络(LSTM)原理和实现

5.7 递归神经网络原理和实现

 

推荐资源

赞(2) 打赏
未经允许不得转载:前端学堂 » 深入浅出人工智能、机器学习与TensorFlow实战

评论 抢沙发

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏