在线课程 – Packt Institute 实践项目认证专业

了解如何使用 Python 的深度学习算法。本课程将指导您应用深度学习算法和数学概念,从初级水平发展到高级水平。

Suggested by: Coursera (What is Coursera?)

Professional Certificate

开始

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • 凯拉斯
  • 深度学习
  • 机器学习
  • 张量流
  • 人工智能

What you will learn in the course

Courses for which the course is suitable

  • 数据科学家
  • 机器学习工程师
  • 开发人工智能
  • 数据分析师
  • 深度学习专家
  • 开发神经网络模型
  • 医学影像分析仪
  • 机器学习应用程序开发人员
  • 图像分析专家
  • 开发 AI 解决方案

专业化 – 一系列三门课程

踏上深度学习的深入之旅,理论概念与实际应用相结合。本课程从对感知器和神经网络的基本理解开始,逐渐发展到复杂的主题,例如:

  • 反向传播
  • 卷积神经网络 (CNN)

每个模块都经过精心设计,以提供动手实践的学习体验,使您能够将所学知识应用到实际情况中。

强调实践方面

我们的课程强调深度学习的实践方面,以确保您获得构建和训练神经网络的宝贵技能。您将发现先进的技术和工具,例如:

  • TensorFlow
  • 凯拉斯

这对于现代 AI 的发展至关重要。从处理图像数据到实施迁移学习,该课程涵盖了广泛的应用,包括:

  • 分析医学图像
  • 自然图像的分类

令人印象深刻的产品组合

在课程结束时,您将拥有令人印象深刻的项目组合,展示您在深度学习方面的专业知识。您将有能力解决复杂问题、简化神经网络并在实际环境中部署模型。

如果您的目标是在人工智能领域发展您的职业生涯或开始您的数据科学之旅,本课程将提供您所需的全面知识和实践经验。

课程要求

该课程专为对 Python 编程和数学有基本了解的数据科学家和机器学习工程师而设计,包括:

  • 线性代数
  • 微分

熟悉推荐的机器学习算法。

实践学习项目

本课程中包含的项目旨在通过将深度学习技术应用于真实数据集来解决实际问题。学员将参与实际应用,例如:

  • 自然图像分析
  • 使用 X 线诊断医疗状况
  • 为以下任务铺设重复神经网络 (RNN) 的高级模型:
    • 文本创建
    • 语音部分识别

这些项目确保学习者不仅理解理论概念,而且获得实践学习经验,使他们能够成功地将深度学习技能应用到现实生活中。

Details of the courses that make up the specialization

Python 基础知识和基本科学数据

  • 课程 1 • 16 小时

课程详情

学习内容
  • 为使用数值运算、控制结构和函数的任务运行 Python 程序。
  • 使用 NumPy 和 Pandas 分析数据,以获得全面的数据洞察。
  • 评估线性回归和 KNN 模型的性能。
  • 使用梯度下降法开发改进的机器学习模型。
您将获得的技能
  • 类别: NumPy
  • 类别: Python(编程语言)
  • 类别: KNN
  • 类别: 机器学习
  • 类别: Pandas (Python Pack)

深度学习基础知识和神经网络

  • 课程 2 • 14 小时

课程详情

学习内容
  • 了解感知器和多层神经网络的概念。
  • 实施训练技术,包括回归和正则化。
  • 分析卷积神经网络以进行图像和视频分析。
  • 使用 TensorFlow 和 Keras 等框架评估和创建深度学习项目。
您将获得的技能
  • 类别: Keras (神经网络库)
  • 类别: 返回
  • 类别: 机器学习
  • 类别: TensorFlow
  • 类别: 人工智能

高级 CNN、迁移学习和递归网络

  • 课程 3 • 11 小时

课程详情

学习内容
  • 应用迁移学习技术来提高模型性能。
  • 使用 RNN 和 LSTM 执行序列预测任务。
  • 为行业特定问题开发实用解决方案。
  • 控制高级神经网络在实际应用中的集成。
您将获得的技能
  • 类别: 系列预测
  • 类别: 迁移学习
  • 类别: TensorFlow
  • 类别: 高级 CNN
  • 类别: 循环网络