【Udemy中英字幕】Deep Learning: Recurrent Neural Networks in Python

深度学习：Python 中的循环神经网络

GRU、LSTM、时间序列预测、股票预测、使用人工智能的自然语言处理 (NLP)

讲师：Lazy Programmer Inc.

双语IT资源独家Mosh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。

你将学到什么

• 将 RNN 应用于时间序列预测（解决普遍存在的“股票预测”问题）
• 将 RNN 应用于自然语言处理 (NLP) 和文本分类（垃圾邮件检测）
• 将 RNN 应用于图像分类
• 了解简单循环单元（Elman 单元）、GRU 和 LSTM（长短期记忆单元）
• 在 Tensorflow 2 中编写各种循环网络
• 了解如何缓解梯度消失问题

要求

• 基础数学（求导、矩阵算术、概率）很有帮助
• Python、Numpy、Matplotlib

描述

*** 现在在 TensorFlow 2 和 PYTHON 3 中 ***

了解迄今为止最强大的深度学习架构之一！

循环神经网络(RNN)已用于在序列建模中获得最先进的结果。

这包括时间序列分析、预测和自然语言处理 (NLP)。

了解为什么 RNN 击败了隐马尔可夫模型等老式机器学习算法。

本课程将教您：

• 机器学习和神经元的基础知识（只是一个让您热身的回顾！）
• 用于分类和回归的神经网络（只是一个让您热身的回顾！）
• 如何对序列数据建模
• 如何对时间序列数据建模
• 如何为 NLP 建模文本数据（包括文本的预处理步骤）
• 如何使用 Tensorflow 2 构建 RNN
• 如何在 Tensorflow 2 中使用 GRU 和 LSTM
• 如何使用 Tensorflow 2 进行时间序列预测
• 如何在 Tensorflow 2 中使用 LSTM预测股票价格和股票回报（提示：这不是你想的那样！）
• 如何在 Tensorflow 2 中使用嵌入进行 NLP
• 如何构建用于 NLP 的文本分类 RNN（示例：垃圾邮件检测、情感分析、词性标记、命名实体识别）

本课程所需的所有材料都可以免费下载和安装。我们将在Numpy、 Matplotlib和 Tensorflow中完成大部分工作 。我随时可以回答您的问题并帮助您完成数据科学之旅。

本课程重点关注“如何构建和理解”，而不仅仅是“如何使用”。任何人在阅读一些文档后都可以在 15 分钟内学会使用 API。这不是“记住事实”，而是 通过实验“亲眼目睹”。它将教您如何可视化模型内部发生的情况。如果您想要的 不仅仅是 机器学习模型的肤浅了解，那么本课程适合您。

我们在课室见！

“如果你不能实施它，你就没有理解它”

• 或者正如伟大的物理学家理查德·费曼所说：“我无法创造的东西，我就不理解”。
• 我的课程是唯一您将学习如何从头开始实现机器学习算法的课程
• 其他课程将教您如何将数据插入到库中，但您真的需要 3 行代码的帮助吗？
• 对 10 个数据集执行相同的操作后，您意识到自己没有学到 10 件事。你学到了 1 件事，只是重复了同样的 3 行代码 10 次……

建议的先决条件：

• 矩阵加法、乘法
• 基本概率（条件分布和联合分布）
• Python 编码：if/else、循环、列表、字典、集合
• Numpy 编码：矩阵和向量运算、加载 CSV 文件

我应该按什么顺序学习您的课程？：

• 查看讲座“机器学习和 AI 先决条件路线图”（可在我的任何课程的常见问题解答中找到，包括免费的 Numpy 课程）

独特的功能

• 每行代码都有详细解释 – 如果您不同意，请随时给我发电子邮件
• 不像其他课程那样浪费时间在键盘上“打字”——说实话，没有人能真正从头开始在短短 20 分钟内编写出值得学习的代码
• 不害怕大学水平的数学 – 获取其他课程遗漏的算法的重要细节

本课程适合谁：

• 学生、专业人士以及对深度学习、时间序列预测、序列数据或 NLP 感兴趣的任何其他人
• 想要提升职业水平的软件工程师和数据科学家