在 Python 和 R 中使用 Keras 的人工神经网络 (ANN)
了解深度学习并在 Python 和 R 中使用 TensorFlow 2.0 和 Keras 构建神经网络出色的 JavaScript 应用程序。
讲师：Start-Tech Academy
口袋资源独家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。
你将会学到的
- 深入了解人工神经网络 (ANN) 和深度学习
- 了解 Keras 和 Tensorflow 库的使用
- 了解人工神经网络（ANN）适用的业务场景
- 在 Python 和 R 中构建人工神经网络 (ANN)
- 使用人工神经网络 (ANN) 进行预测
课程内容
20 个章节 • 78 个讲座 • 总时长 10 小时 57 分钟展开所有章节
介绍2 个讲座 • 5 分钟
设置 Python 和 Jupyter Notebook11 个讲座 • 1 小时 42 分钟
设置 R Studio 和 R 速成课程8 个讲座 • 1 小时 2 分钟
单细胞 – 感知器和 S 型神经元3 个讲座 • 31 分钟
神经网络 – 堆叠细胞以创建网络3 个讲座 • 45 分钟
重要概念：常见面试问题1 个讲座 • 13 分钟
标准模型参数1 个讲座 • 8 分钟
TensorFlow 和 Keras3 个讲座 • 10 分钟
分类问题的数据集4 个讲座 • 26 分钟
Python – 构建和训练模型4 个讲座 • 34 分钟
还有 10 个章节
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你安装相同的软件
说明
你正在寻找使用 Keras 和 Tensorflow 进行深度学习的完整课程，它会教你使用 Python 和 R 创建神经网络模型所需的一切，对吧？
你找到了正确的 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。
- 对梯度下降、前向和后向传播等高级神经网络概念有清晰的理解。
- 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
本课程将如何帮助你？
向所有参加此神经网络课程的学生颁发可验证的结业证书。
如果你是业务分析师或高管，或者想要在现实世界的商业问题中学习和应用深度学习的学生，本课程将通过教授你一些最先进的神经网络概念为你打下坚实的基础以及它们在 Python 中的实现，而不会过于数学化。
为什么要选择这门课程？
本课程涵盖了使用神经网络创建预测模型应采取的所有步骤。
大多数课程只专注于教授如何进行分析，但我们相信对这些概念有很强的理论理解可以让我们创建一个好的模型。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真正能够帮助业务。
是什么让我们有资格教你？
该课程由 Abhishek 和 Pukhraj 教授。作为全球分析咨询公司的经理，我们使用深度学习技术帮助企业解决了他们的业务问题，并且我们利用我们的经验将数据分析的实际方面包括在本课程中
我们也是一些最受欢迎的在线课程的讲师 – 拥有超过 250,000 名注册人数和数千条 5 星评价，例如：
这非常好，我喜欢外行可以理解的所有解释 – Joshua
感谢作者提供了这门精彩的课程。你是最棒的，这门课不惜任何代价。- 雏菊
我们保证
教我们的学生是我们的工作，我们致力于此。如果你对课程内容、练习表或与任何主题相关的任何问题有任何疑问，你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供你学习。你还可以参加练习测试来检查你对概念的理解。有一个最终的实际作业供你实际实施你的学习。
本课程涵盖哪些内容？
本课程教你创建基于神经网络的模型（即深度学习模型）以解决业务问题的所有步骤。
以下是ANN课程的课程内容：
- 第 1 部分 – Python 和 R 基础知识这部分让你开始使用 Python。这部分将帮助你在系统上设置 python 和 Jupyter 环境，并教你如何在 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 – 理论概念这部分将使你对神经网络中涉及的概念有一个深刻的理解。在本节中，你将了解单个单元或感知器以及感知器如何堆叠以创建网络架构。一旦设置了架构，我们就会了解梯度下降算法来找到函数的最小值，并了解如何使用它来优化我们的网络模型。
- 第 3 部分 – 在 Python 和 R 中创建回归和分类 ANN 模型在这一部分中，你将学习如何在 Python 中创建 ANN 模型。我们将首先使用 Sequential API 创建一个 ANN 模型来解决分类问题。我们学习如何定义网络架构、配置模型和训练模型。然后我们评估我们训练好的模型的性能，并用它来预测新数据。我们还解决了一个回归问题，在该问题中我们尝试预测某个位置的房价。我们还将介绍如何使用功能 API 创建复杂的 ANN 架构。最后我们学习如何保存和恢复模型。在这一部分我们也了解了 Keras 和 TensorFlow 等库的重要性。
- 第 4 部分 – 数据预处理在这一部分中，你将了解为分析准备数据需要采取的行动，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拆分。
在本课程结束时，你对在 Python 中创建神经网络模型的信心将会飙升。你将对如何使用 ANN 创建预测模型和解决业务问题有透彻的了解。
来吧，点击注册按钮，我们第一课见！
干杯
启迪科技学院
————
以下是一些想要开始深度学习之旅的学生的常见常见问题解答-
为什么使用 Python 进行深度学习？
理解 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。这是一个简短的历史：
2016 年，它在领先的数据科学竞赛平台 Kaggle 上超越了 R。
2017 年，它在 KDNuggets 对数据科学家最常用工具的年度调查中超过了 R。
2018 年，66% 的数据科学家报告说每天都在使用 Python，使其成为分析专业人士的第一大工具。
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。虽然你学习 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丰富（并且还在不断增长）。
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，只是预测的种类有所不同。数据挖掘发现了以前未知的模式和知识，而机器学习再现了已知的模式和知识，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，深度学习使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以学习、理解和识别复杂的模式。自动语言翻译和医学诊断是深度学习的例子。
此课程面向哪些人：
- 从事数据科学职业的人
- 任何有兴趣在短时间内从初学者级别掌握 ANN 的人
