深度学习训练营-使用 Python、Pytorch 的神经网络

MP4 |视频：h264， 1920×1080 |音频：AAC，44.1 KHz

语言：英语 |大小： 6.00 GB |时长： 14h 21m

在这个一体化深度学习训练营中，使用 Python、PyTorch 和 TensorFlow 掌握神经网络、DNN 和 CNN。

您将学

到什么 • 机器学习的基础知识。

• 神经网络的基础知识。

• 使用梯度下降算法训练深度神经网络 （DNN） 的基础知识。

• 将深度学习用于 IRIS 数据集。

• 对 PyTorch 中的张量及其操作有深入的了解。

• 构建和训练从基本到复杂的神经网络的能力。

• 了解不同的损失函数、优化器和激活函数。

• 一个完整的项目，关于从 MRI 图像中检测脑肿瘤，展示您在深度学习和 PyTorch 方面的技能。

• 扎实掌握 TensorFlow 基础知识

• 构建深度学习模型的

实践经验 • 了解模型训练、评估和优化

• 有信心探索更复杂的 AI 和机器学习项目

要求

• 不需要深度学习或数学的先验知识。您将从基础知识开始，逐步构建该主题的知识。

• 对 Python 编程有基本的了解。

不需要事先具备 TensorFlow 经验，但对机器学习概念和 Python 有基本的了解会有所帮助。

描述

：您准备好通过掌握多种工具和框架来释放深度学习和 AI 的全部潜力了吗？这门综合课程将指导您了解使用 Python、PyTorch 和 TensorFlow（用于构建智能模型的最强大库和框架）进行深度学习的基础知识。无论您是初学者还是经验丰富的开发人员，本课程都提供了将理论概念与实际动手编码相结合的分步学习体验。在这段旅程结束时，您将对神经网络有深入的了解，熟练应用深度神经网络 （DNN） 来解决实际问题，并在卷积神经网络 （CNN） 和从 MRI 图像检测脑肿瘤等尖端深度学习应用程序方面积累了专业知识。为什么选择这门课程？本课程通过提供全面的学习路径脱颖而出，该路径融合了三个领先框架的基本方面：Python、PyTorch 和 TensorFlow。通过强调动手实践和实际应用，您将快速从基本概念发展到掌握深度学习技术，最终创建复杂的 AI 模型。主要亮点：Python 从基础开始学习 Python，逐步学习对实施深度学习算法至关重要的高级编程。PyTorch：掌握神经网络的 PyTorch，包括用于图像识别任务的张量运算、优化、autograd 和 CNN。TensorFlow：利用 Tensorboard 等工具实现模型可视化，释放 TensorFlow 创建强大的深度学习模型的潜力。真实世界的项目：将您的知识应用于令人兴奋的项目，例如 IRIS 分类、从 MRI 图像中检测脑肿瘤等。课程内容概述：模块1：深度学习和Python简介课程结构、学习目标和关键框架。Python 编程概述：从基础到高级，确保您可以自信地实施任何深度学习概念。模块 2：使用 Python 和 NumPy 的深度神经网络 （DNN）使用 Python 和 NumPy 进行编程：了解数组、数据帧和数据预处理技术。使用 NumPy 从头开始构建 DNN.实施机器学习算法，包括梯度下降、逻辑回归、前馈和反向传播.模块 3：使用 PyTorch 进行深度学习了解张量及其在深度学习中的重要性。对张量执行操作并了解 autograd 以进行自动微分。使用 PyTorch 构建基本和复杂的神经网络，实现 CNN 以执行高级图像识别任务。最终项目：使用 MRI 图像检测脑肿瘤模块 4：掌握 TensorFlow 进行深度学习深入了解 TensorFlow 并了解其核心功能。使用 TensorFlow 构建您的第一个深度学习模型，从简单的神经元开始，逐渐发展到人工神经网络 （ANN）。TensorFlow Playground：试验各种模型并可视化性能。探索高级深度学习项目，学习梯度下降、纪元、反向传播和模型评估等概念。谁应该参加这门课程？有抱负的数据科学家和机器学习爱好者渴望培养 Deep ExpertISE 中的定义。希望使用 PyTorch 和 TensorFlow 扩展技能的软件开发人员。有兴趣将深度学习应用于实际问题的业务分析师和 AI 爱好者。任何热衷于了解深度学习如何推动从医疗保健到自动驾驶等各行各业创新的人。学习内容：使用 Python、NumPy 和 Pandas 进行编程，以进行数据操作和模型开发。如何使用 PyTorch 和 TensorFlow 构建和训练深度神经网络和卷积神经网络.实用深度学习应用程序，如脑肿瘤检测和 IRIS 分类。关键的机器学习概念，包括 Gradient Descent、Model Optimization 等。如何使用 PyTorch 中的 DataLoader 和 Transforms 等工具高效地预处理和处理数据以进行数据增强。实践经验：在本课程结束时，您不仅会学习理论，还会构建多个深度学习模型，获得实际项目的实践经验。

概述

第 1 部分：深度学习：使用 Python 的初学者深度神经网络

第一讲宣传片和亮点

第 2 讲 简介：讲师和 Aisciences 简介

第 3 讲 课程材料和代码的链接

第 4 讲 深度学习基础知识：需要解决的问题 第 1 部分

第 5 讲 深度学习基础知识：需要解决的问题 第 2 部分

第 6 讲 深度学习基础知识：需要解决的问题 第 3 部分

第 7 讲 深度学习基础知识：线性方程

第 8 讲 深度学习基础知识：线性方程矢量化

第 9 讲：深度学习基础知识：3D 特征空间

第 10 讲 深度学习基础：N 维空间

第 11 讲 深度学习基础：感知器理论

第 12 讲 深度学习基础知识：实现基本感知器

第 13 讲 深度学习基础知识：感知器的逻辑门

第 14 讲 深度学习基础知识：感知器训练 第 1 部分

第 15 讲 深度学习基础知识：感知器训练 第 2 部分

第 16 讲 深度学习基础知识：学习率

第 17 讲 深度学习基础知识：感知器训练 第 3 部分

第 18 讲 深度学习基础：感知器算法

第19讲深度学习基础：覆盖感知器算法（数据阅读和可视化）

第 20 讲 深度学习基础：Coading Perceptron Algo （Perceptron Step）

第 21 讲 深度学习基础知识：Coading Perceptron Algo（训练感知器）

第 22 讲 深度学习基础知识：Coading Perceptron Algo（可视化结果）

第 23 讲 深度学习基础：线性解问题

第 24 讲 深度学习基础知识：问题解决方案

第 25 讲 深度学习基础：误差函数

第 26 讲 深度学习基础知识：离散误差函数与连续误差函数

第 27 讲 深度学习基础：S 形函数

第 28 讲 深度学习基础：多类问题

第 29 讲 深度学习基础：负分问题

第 30 讲 深度学习基础知识：Softmax 的需求

第 31 讲 深度学习基础知识：对 Softmax 进行编码

第 32 讲 深度学习基础知识：一个热门编码

第 33 讲 深度学习基础知识：最大似然法 第 1 部分

第 34 讲 深度学习基础知识：最大似然 第 2 部分

第 35 讲 深度学习基础：交叉熵

第 36 讲 深度学习基础知识：交叉熵公式

第 37 讲 深度学习基础：多类交叉熵

第 38 讲 深度学习基础：交叉熵实现

第 39 讲 深度学习基础：Sigmoid 函数实现

第 40 讲 深度学习基础：输出函数实现

第 41 讲 深度学习：Gradient Decent 简介

第 42 讲 深度学习：凸函数

第 43 讲 深度学习：导数的使用

第 44 讲 深度学习：Gradient Decent 的工作原理

第 45 讲 深度学习：梯度步骤

第 46 讲 深度学习：Logistic 回归算法

第 47 讲 深度学习：数据可视化和读取

第 48 讲：深度学习：在 Python 中更新权重

第 49 讲 深度学习：实施 Logistic 回归

第 50 讲 深度学习：可视化和结果

第 51 讲 深度学习：梯度 Decent 与 Perceptron

第 52 讲 深度学习：线性到非线性边界

第 53 讲 深度学习：组合概率

第 54 讲 深度学习：加权和

第 55 讲 深度学习：神经网络架构

第 56 讲 深度学习：层和 DEEP 网络

第 57 讲 深度学习：多类分类

第 58 讲 深度学习：前馈基础知识

第 59 讲 深度学习：DEEP Net 的前馈

第 60 讲：深度学习：深度学习算法概述

第 61 讲 深度学习：反向传播的基础知识

第 62 讲 深度学习：更新权重

第 63 讲 深度学习：反向传播的链式规则

第 64 讲 深度学习：Sigma Prime

第 65 讲 深度学习：数据分析 NN 实现

第 66 讲 深度学习：一种热门编码（NN 实现）

第 67 讲：深度学习：扩展数据（NN 实现）

第 68 讲：深度学习：拆分数据（NN 实现）

第 69 讲 深度学习：辅助函数 （NN 实现）

第 70 讲 深度学习：训练（神经网络实施）

第 71 讲 深度学习：测试（NN 实现）

第 72 讲 优化：欠拟合 vs 过拟合

第 73 讲 优化：提前停止

第 74 讲 优化：测验

第 75 讲 优化：解决方案与正则化

第76讲 优化：L1 & L2正则化

第 77 讲：优化：丢弃

第 78 讲 优化：局部最小值问题

第 79 讲 优化：随机重启解决方案

第 80 讲：优化：梯度消失问题

第 81 讲 优化：其他激活函数

第 82 讲 期末作业：期末作业第 1 部分

第 83 讲 期末作业：期末作业第 2 部分

第 84 讲 期末作业：期末作业第 3 部分

第 85 讲 期末作业：期末作业第 4 部分

第 86 讲 期末作业：期末作业第 5 部分

第 2 部分：PyTorch 的强大功能：从零到深度学习英雄 – PyTorch

第 87 讲 课程材料和代码的链接

第 88 讲 简介：模块内容

第 89 讲 简介：框架的好处

第 90 讲 简介：安装和设置

第 91 讲 张量：张量简介

第 92 讲 张量：列表 vs 数组 vs 张量

第 93 讲 张量：算术运算

第 94 讲 张量：张量运算

第 95 讲 张量：自辐射

第 96 讲 张量：活动解

第 97 讲 张量：分离梯度

第 98 讲 Tensor：加载 GPU

第 99 讲 NN 与 Tensor：模块简介

第 100 讲 NN（含张量）：基本 NN（第 1 部分）

第 101 讲：使用 Tensor 的 NN：基本 NN 第 2 部分

第 102 讲 NN 与 Tensor：损失函数

第103讲 NN 与 Tensor：激活函数和隐藏层

第 104 讲 NN（使用 Tensor）：优化器

第105讲 NN 与 Tensor：数据加载器和数据集

第 106 讲 NN 与 Tensor：活动

第 107 讲 NN 与 Tensor：活动解

第 108 讲：使用 Tensor 进行 NN：格式化输出

第 109 讲 NN（含 Tensor）：损耗图

第 110 讲 CNN：模块简介

第 111 讲 CNN：CNN 与 NN

第 112 讲 CNN：卷积简介

第 113 讲 CNN：卷积动画

第 114 讲 CNN：使用 Pytorch 的卷积

第 115 讲 CNN：矿池简介

第 116 讲 CNN：使用 Numpy 进行池化

第 117 讲 CNN：Pytorch 中的池化

第 118 讲 CNN：项目简介

第 119 讲 CNN：项目（数据加载）

第 120 讲 CNN：项目（转换）

第 121 讲 CNN：项目 （DataLoaders）

第 122 讲 CNN：项目（CNN 架构师）

第 123 讲 CNN：项目（前向传播）

第 124 讲 CNN：项目（培训 CNN）

第 125 讲 CNN：项目（分析模型输出）

第 126 讲 CNN：项目（做出预测）

第 3 部分：TensorFlow 基础知识：从基础知识到出色的 AI 项目

第 127 讲 课程材料和代码的链接

第 128 讲 TensorFlow 简介：模块介绍

第 129 讲 TensorFlow 简介：TensorFlow 定义和属性

第 130 讲 TensorFlow 简介：张量类型和 Tesnor 板

第 131 讲 TensorFlow 简介：如何使用 TensorFlow

第 132 讲 TensorFlow 简介：Google Colab

第 133 讲 TensorFlow 简介：练习

第 134 讲 TensorFlow 简介：练习解决方案

第 135 讲 TensorFlow 简介：测验

第 136 讲 TensorFlow 简介：测验解决方案

第 137 讲 构建您的第一个深度学习项目：模块简介

第 138 讲 构建您的第一个深度学习项目：人工神经网络

第 139 讲 构建您的第一个深度学习项目：TensorFlow Playground

第 140 讲 构建您的第一个深度学习项目：加载 TF 和数据

第 141 讲 构建您的第一个深度学习项目：模型训练和评估

第 142 讲 构建您的第一个深度学习项目：项目

第 143 讲 构建您的第一个深度学习项目：项目实施

第 144 讲 构建您的第一个深度学习项目：测验

第 145 讲 构建您的第一个深度学习项目：测验解决方案

第 146 讲 多层深度学习项目：模块介绍

第 147 讲 多层深度学习项目：训练和 Epochs

第 148 讲 多层深度学习项目：梯度体面和反向传播

第 149 讲 多层深度学习项目：偏差方差权衡

第 150 讲 多层深度学习项目：性能指标

第 151 讲 多层深度学习项目：项目-销售指导

第 152 讲 多层深度学习项目：测验

第 153 讲 多层深度学习项目：测验解决方案