【Udemy中英字幕】Data Science: Deep Learning and Neural Networks in Python

数据科学：Python 中的深度学习和神经网络

最深入地了解机器学习的神经网络理论，包含纯 Python 和 Tensorflow 代码

讲师：Lazy Programmer Inc.

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

了解深度学习的真正工作原理（而不仅仅是一些图表和神奇的黑盒代码）
了解如何通过基本构建块（神经元）构建神经网络
使用 Python 和 numpy 从头编写神经网络
使用 Google 的 TensorFlow 编写神经网络代码
描述不同类型的神经网络以及它们用于解决的不同类型问题
从第一原理推导出反向传播规则
使用 softmax 创建一个输出具有 K > 2 个类的神经网络
描述与神经网络相关的各种术语，例如“激活”、“反向传播”和“前馈”
安装 TensorFlow
了解 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 的重要基础

探索相关主题

Python
数据科学
深度学习
发展

要求

基础数学（微积分导数、矩阵运算、概率）
安装 Numpy 和 Python
不要担心安装 TensorFlow，我们将在讲座中安装它。
熟悉我的逻辑回归课程的内容（交叉熵成本、梯度下降、神经元、XOR、甜甜圈）将为你提供本课程的适当背景

描述

有没有想过OpenAI ChatGPT、GPT-4、DALL-E、Midjourney和Stable Diffusion等 AI 技术究竟是如何工作的？在本课程中，您将学习这些突破性应用程序的基础知识。

本课程将帮助您开始使用深度学习技术构建您的第一个人工神经网络。根据我之前的逻辑回归课程，我们将采用这个基本构建块，并使用 Python 和 Numpy 构建完整的非线性神经网络。本课程的所有材料都是免费的。

我们使用 softmax 函数将之前的二分类模型扩展到多个类别，并使用第一原理推导出非常重要的训练方法“反向传播”。我将向您展示如何在 Numpy 中编写反向传播代码，首先是“慢速方法”，然后是使用 Numpy 特征的“快速方法”。

接下来，我们使用 Google 的新 TensorFlow 库实现一个神经网络。

如果您有兴趣开始成为深度学习大师的旅程，或者您对机器学习和数据科学感兴趣，那么您应该参加本课程。我们超越了逻辑回归和线性回归等基本模型，我向您展示了一些可以自动学习特征的东西。

本课程为您提供了许多实际示例，以便您真正了解深度学习可以应用于任何事物。在整个课程中，我们将完成一个课程项目，该项目将向您展示如何根据用户数据预测网站上的用户行为，例如该用户是否使用移动设备、他们查看的产品数量、他们在网站上停留的时间、他们是否是回访者以及他们访问的时间。

课程结束时的另一个项目向您展示了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情绪！

在您了解基础知识之后，我将简要概述神经网络的一些最新发展 – 稍微修改的架构及其用途。

笔记：

如果您已经了解 softmax 和反向传播，并且想要跳过理论部分并使用更先进的技术以及 GPU 优化来加快速度，请查看我关于此主题的后续课程《数据科学：Theano 和 TensorFlow 中的实用深度学习概念》。

我还有其他课程涵盖更高级的主题，例如 卷积神经网络、 受限玻尔兹曼机、 自动编码器等等！但在学习更高级的科目之前，您需要非常熟悉本课程的内容。

本课程重点介绍“如何构建和理解”，而不仅仅是“如何使用”。任何人都可以在阅读一些文档后在 15 分钟内学会使用 API。这不是关于“记住事实”，而是关于 通过实验“亲眼看看”。它将教你如何可视化模型内部发生的事情。如果你想要的 不仅仅是 对机器学习模型的肤浅了解，那么本课程非常适合你。

“如果你不能实现它，你就没有理解它”