【Udemy中英字幕】Artificial Neural Networks (ANN) with Keras in Python and R

使用 Python 和 R 中的 Keras 实现人工神经网络 (ANN)

了解深度学习并使用 Python 和 R 中的 TensorFlow 2.0 和 Keras 构建神经网络

讲师：Start-Tech Academy

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

• 深入了解人工神经网络 (ANN) 和深度学习
• 学习 Keras 和 Tensorflow 库的使用
• 了解人工神经网络（ANN）适用的业务场景
• 使用 Python 和 R 构建人工神经网络 (ANN)
• 使用人工神经网络 (ANN) 进行预测

要求

• 学生需要安装 Python 和 Anaconda 软件，但我们有单独的讲座来帮助您安装相同的软件

描述

您正在寻找使用 Keras 和 Tensorflow 进行深度学习的完整课程，该课程将教您在 Python 和 R 中创建神经网络模型所需的一切，对吗？

您找到了正确的 神经网络课程！

完成本课程后，你将能够：

• 确定可以使用神经网络模型解决的业务问题。
• 清晰地理解高级神经网络概念，如梯度下降、前向传播和后向传播等。
• 使用 Keras 和 Tensorflow 库在 Python 和 R 中创建神经网络模型并分析其结果。
• 自信地练习、讨论和理解深度学习概念

本课程将如何帮助您？

所有参加该神经网络课程的学生都将获得可验证的结业证书。

如果您是业务分析师或高管，或者是想要学习和应用深度学习解决实际商业问题的学生，本课程将通过教授一些最先进的神经网络概念及其在 Python 中的实现（而不会涉及太多数学）为您提供坚实的基础。

为什么你应该选择这门课程？

本课程涵盖了使用神经网络创建预测模型的所有步骤。

大多数课程只注重教授如何进行分析，但我们相信，对概念有很强的理论理解使我们能够创建一个好的模型。并且在运行分析之后，人们应该能够判断模型的好坏并解释结果，以便真正帮助企业。

我们有什么资格教你？

本课程由 Abhishek 和 Pukhraj 教授。作为全球分析咨询公司的经理，我们帮助企业使用深度学习技术解决业务问题，并利用我们的经验将数据分析的实际方面纳入本课程

我们还创建了一些最受欢迎的在线课程，注册人数超过 250,000 人，并获得数千条 5 星评价，例如：

这很好，我喜欢这样一个事实：所有的解释都能被外行人理解——约书亚

感谢作者提供这门精彩的课程。您是最棒的，这门课程物有所值。- Daisy

我们保证

教导学生是我们的工作，我们致力于此。如果您对课程内容、练习表或任何与主题相关的内容有任何疑问，您可以随时在课程中发布问题或直接向我们发送消息。

下载练习文件、参加练习测试并完成作业

每堂课都附有课堂笔记，方便您跟读。您还可以参加模拟考试，检查对概念的理解。期末还有实践作业，让您可以实际运用所学知识。

本课程涵盖哪些内容？

本课程教您创建基于神经网络的模型（即深度学习模型）的所有步骤，以解决业务问题。

以下是本课程关于 ANN 的课程内容：

• 第 1 部分 – Python 和 R 基础

  本部分将帮助您开始使用 Python。

  本部分将帮助您在系统上设置 Python 和 Jupyter 环境，并教您如何在 Python 中执行一些基本操作。我们将了解 Numpy、Pandas 和 Seaborn 等不同库的重要性。

• 第 2 部分-理论概念

  本部分将使您对神经网络所涉及的概念有深入的理解。

  在本节中，您将了解单个细胞或感知器，以及如何堆叠感知器以创建网络架构。一旦设置了架构，我们就会了解梯度下降算法，以找到函数的最小值，并了解如何使用它来优化我们的网络模型。

• 第 3 部分 – 使用 Python 和 R 创建回归和分类 ANN 模型

  在本部分中，您将学习如何使用 Python 创建 ANN 模型。

  本节我们将使用 Sequential API 创建 ANN 模型来解决分类问题。我们将学习如何定义网络架构、配置模型和训练模型。然后，我们将评估训练模型的性能，并使用它来预测新数据。我们还将解决回归问题，尝试预测某个地区的房价。我们还将介绍如何使用功能 API 创建复杂的 ANN 架构。最后，我们将学习如何保存和恢复模型。

  我们还了解到 Keras 和 TensorFlow 等库在这一部分的重要性。

• 第 4 部分-数据预处理

  在本部分中，您将了解需要采取哪些操作来准备数据以进行分析，这些步骤对于创建有意义的数据非常重要。

  在本节中，我们将从决策树的基本理论开始，然后介绍数据预处理主题，如  缺失值插补、变量转换和测试训练分割。

在本课程结束时，您对使用 Python 创建神经网络模型的信心将大增。您将彻底了解如何使用 ANN 创建预测模型并解决业务问题。

继续单击注册按钮，我们将在第一课中见到您！

干杯

创业科技学院

————

以下是一些想要开始深度学习之旅的学生的常见问题 –

为什么使用 Python 进行深度学习？

了解 Python 是深度学习职业所需的宝贵技能之一。

尽管并非总是如此，但 Python 是数据科学的首选编程语言。以下是 Python 的简要历史：

2016 年，它在数据科学竞赛的首要平台 Kaggle 上超越了 R。

2017 年，它在 KDNuggets 的数据科学家最常用工具年度调查中超越了 R。

2018 年，66% 的数据科学家表示他们每天都使用 Python，这使其成为分析专业人士的首选工具。

深度学习专家预计，随着 Python 生态系统的不断发展，这一趋势将继续下去。虽然您学习 Python 编程的旅程可能才刚刚开始，但很高兴知道就业机会也很多（并且还在不断增加）。

数据挖掘、机器学习和深度学习有什么区别？

简而言之，机器学习和数据挖掘使用与数据挖掘相同的算法和技术，只是预测类型不同。数据挖掘发现以前未知的模式和知识，而机器学习则重现已知的模式和知识，并进一步自动将这些信息应用于数据、决策和行动。

另一方面，深度学习利用先进的计算能力和特殊类型的神经网络，并将其应用于大量数据来学习、理解和识别复杂模式。自动语言翻译和医学诊断就是深度学习的例子。

本课程适合哪些人：

• 从事数据科学职业的人
• 任何有兴趣在短时间内从初学者水平掌握 ANN 的人