你将学到的
  • 预测器与多分类器
  • 矩阵运算
  • 误差的反向传播
  • Python 的基础教程
  • 手写数字识别
  • 神经网络的概念
  • 信号的正向反馈
  • 权重的优化方法
  • 使用 Python 手写神经网络结构
  • 神经网络结构优化
实验 1 预测器与分类器

知识点: 1.人工智能的概念 2.预测机 3.分类机 4.模型的训练

实验 2 多分类器与神经网络

知识点: 1.线性分类器的局限 2.激活函数的意义 3.神经网络的起源 4.神经网络的结构 5.模型训练的本质 6.全连接的意义

实验 3 神经网络的正向传播

知识点: 1.信号的传播 2.矩阵的乘法 3.矩阵在神经网络中的应用 4.信号在多层神经网络中的传播

实验 4 误差的反向传播

知识点: 1.神经网络的权重学习 2.反向传播的意义 3.输出误差的分割 4.反向传播的全过程

实验 5 神经网络的学习

知识点: 1.暴力破解权重的不可行性 2.梯度下降法 3.梯度下降的步长 4.梯度的计算 5.梯度下降在神经网络中的应用

实验 6 参数的选择

知识点: 1.权重更新的范例 2.激活函数的选择 3.初始化权重的方法 4.目标值的使用范围

实验 7 简单的 Python 入门

知识点: 1.变量的定义 2.数组的定义 3.函数的定义 4.类的定义

实验 8 使用 Python 制作神经网络

知识点: 1.神经网络类的框架 2.神经的初始化 3.神经网络的查询 4.神经网络的训练

实验 9 手写数字识别

知识点: 1.MNIST数据的介绍 2.数据的预处理 3.神经网络模型的训练 4.神经网络模型的预测 5.神经网络模型的优化

实验 10 神经网络的内部原理

知识点: 1.神经网络的黑盒子 2.神经网络的逆运算 3.神经网络的向后查询 4.扩大数据集的方法

课程介绍

图片描述

课程首先从简单的思路着手,详细介绍了理解神经网络如何工作所必须的基础知识。第一部分介绍基本的思路,包括神经网络底层的数学知识,第 2 部分是实践,介绍了学习 Python 编程的流行和轻松的方法,从而逐渐使用该语言构建神经网络,以能够识别人类手写的字母,特别是让其像专家所开发的网络那样地工作。第 3 部分是扩展,介绍如何将神经网络的性能提升到工业应用的层级,甚至让其在 Raspberry Pi 上工作。

先学课程

作者简介

  • 塔里克·拉希德,拥有物理学学士学位、机器学习和数据挖掘硕士学位。他常年活跃于伦敦的技术领域,领导并组织伦敦 Python 聚会小组(近 3000 名成员)。

译者简介

  • 林赐,软件设计师、网络工程师,毕业于渥太华大学系统科学硕士专业,已翻译出版多本技术图书。

书籍购买

  • 课程基于原书籍内容制作,但受限于部分章节并不适合改编为线上实验,课程并不会包含书籍的完整内容。如果希望阅读完整书籍内容,请前往 异步图书人民邮电出版社网站 购买。

课程信息

  • 学习周期:课程有效期 2 个月,2 个月后无法进行在线实验,但可查看文档内容。高级会员有效期内可一直学习,到期后课程失效,且无法查看文档。部分云主机实验环境因成本较高,存在开启次数限制。关于课程退款等相关注意事项说明,请阅读 用户付费协议
  • 版权说明:课程内容为实验楼原创或实验楼在原作者授权下制作。未经书面同意,擅自爬取、转载和再分发课程内容,均将受到严肃追责。
  • 企业团报:企业购买,请点击 企业用户咨询
课程教师

人民邮电出版社 共发布过 13 门课程

人民邮电出版社成立于 1953 年 10 月,是工业和信息化部主管的大型专业出版社,隶属于中国工信出版传媒集团。

查看老师的所有课程 >
蓝桥楼+
蓝桥会员
会员
开通会员,即刻开始学习