[2022] Python 中的机器学习和深度学习训练营
Keras 和 TensorFlow 中的机器学习、神经网络、计算机视觉、深度学习和强化学习
讲师:Holczer Balazs
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
- 解决回归问题(线性回归和逻辑回归)
- 解决分类问题(朴素贝叶斯分类器、支持向量机 – SVM)
- 使用神经网络(前馈神经网络、深度神经网络、卷积神经网络和循环神经网络
- 谷歌或 Facebook 等公司使用的最新机器学习技术
- 使用 OpenCV 进行人脸检测
- TensorFlow 和 Keras
- 深度学习 – 深度神经网络、卷积神经网络 (CNNS)、递归神经网络 (RNN)
- 强化学习 – Q 学习和深度 Q 学习方法
课程内容
55 个章节 • 339 个讲座 • 总时长 32 小时 36 分钟展开所有章节
介绍1 个讲座 • 3 分钟
- 介绍预览03:25
环境设置3 个讲座 • 3 分钟
人工智能基础3 个讲座 • 21 分钟
###机器学习###1 个讲座 • 1 分钟
线性回归6 个讲座 • 43 分钟
逻辑回归6 个讲座 • 45 分钟
交叉验证2 个讲座 • 11 分钟
K-最近邻分类器8 个讲座 • 40 分钟
朴素贝叶斯分类器7 个讲座 • 47 分钟
支持向量机 (SVM)11 个讲座 • 1 小时 19 分钟
还有 45 个章节
要求
- Basic Python – 我们也将使用 Panda 和 Numpy(我们将在实现过程中介绍基础知识)
说明
对机器学习、深度学习和计算机视觉感兴趣?那么本课程适合你!
本课程是关于机器学习、深度学习、强化学习和机器学习的基本概念。这些话题现在变得非常热门,因为这些学习算法可以用于从软件工程到投资银行的多个领域。
在每一节中,我们将讨论所有这些算法的理论背景,然后我们将一起实现这些问题。我们将Python与SkLearn、Keras和TensorFlow一起使用。
###机器学习###
1.) 线性回归
- 理解线性回归模型
- 相关和协方差矩阵
- 随机变量之间的线性关系
- 梯度下降和设计矩阵方法
2.) 逻辑回归
- 理解逻辑回归
- 分类算法基础
- 最大似然函数和估计
3.) K-最近邻分类器
- 什么是k近邻分类器?
- 非参数机器学习算法
4.) 朴素贝叶斯算法
- 什么是朴素贝叶斯算法?
- 基于概率的分类
- 交叉验证
- 过拟合和欠拟合
5.) 支持向量机 (SVM)
- 支持向量机 (SVM) 和支持向量分类器 (SVC)
- 最大边距分类器
- 内核技巧
6.) 决策树和随机森林
- 决策树分类器
- 随机森林分类器
- 结合弱学习者
7.) 装袋和提升
- 什么是 bagging 和 boosting?
- AdaBoost 算法
- 结合弱学习者(群体智慧)
8.) 聚类算法
- 什么是聚类算法?
- k-means 聚类和肘法
- DBSCAN 算法
- 层次聚类
- 市场细分分析
### 神经网络和深度学习###
9.) 前馈神经网络
- 单层感知器模型
- 前馈神经网络
- 激活函数
- 反向传播算法
10.) 深度神经网络
- 什么是深度神经网络?
- ReLU 激活函数和梯度消失问题
- 训练深度神经网络
- 损失函数(成本函数)
11.) 卷积神经网络 (CNN)
- 什么是卷积神经网络?
- 使用内核进行特征选择
- 特征检测器
- 池化和扁平化
12.) 循环神经网络 (RNN)
- 什么是递归神经网络?
- 训练循环神经网络
- 梯度爆炸问题
- LSTM 和 GRU
- 使用 LSTM 网络进行时间序列分析
数值优化(机器学习)
- 梯度下降算法
- 随机梯度下降理论与实现
- ADAGrad 和 RMSProp 算法
- ADAM 优化器解释
- ADAM算法实现
13.) 强化学习
- 马尔可夫决策过程 (MDP)
- 价值迭代和策略迭代
- 探索与利用问题
- 多臂土匪问题
- Q学习和深度Q学习
- 通过 Q 学习和深度 Q 学习学习井字游戏
### 计算机视觉 ###
14.) 图像处理基础:
- 计算机视觉理论
- 什么是像素强度值
- 卷积和内核(过滤器)
- 模糊内核
- 锐化内核
- 计算机视觉中的边缘检测(边缘检测内核)
15.) 农奴驾驶汽车和车道检测
- 如何在车道检测中使用计算机视觉方法
- Canny 算法
- 如何使用霍夫变换根据像素强度查找线条
16.) 使用 Viola-Jones 算法进行人脸检测:
- 计算机视觉中的 Viola-Jones 方法
- 什么是滑动窗口方法
- 检测图像和视频中的人脸
17.) 定向梯度直方图(HOG)算法
- 如何用更好的方法超越 Viola-Jones 算法
- 如何检测图像中的梯度和边缘
- 构建定向梯度的直方图
- 使用支持向量机 (SVM) 作为基础机器学习算法
18.) 基于卷积神经网络 (CNN) 的方法
- 滑动窗口方法有什么问题
- 区域建议和选择性搜索算法
- 基于区域的卷积神经网络 (C-RNN)
- 快速 C-RNN
- 更快的 C-RNN
19.) 你只看一次 (YOLO) 目标检测算法
- YOLO 方法是什么?
- 构建边界框
- 如何通过单一外观检测图像中的对象?
- 联合交集(IOU)算法
- 如何使用非最大抑制保持最相关的边界框?
20.) Single Shot MultiBox Detector (SSD) 目标检测算法 SDD
- SSD算法背后的主要思想是什么
- 构建锚箱
- VGG16 和 MobileNet 架构
- 使用实时视频实现 SSD
你将终生访问 150 多个讲座以及讲座的幻灯片和源代码!
本课程提供30 天退款保证!如果你对任何方式都不满意,你将获得退款。
那你还在等什么?以一种有趣且实用的方式学习机器学习、深度学习和计算机视觉,这将促进你的职业发展并增加你的知识!
感谢你加入课程,让我们开始吧!
此课程面向哪些人:
- 本课程适用于不熟悉机器学习、深度学习、计算机视觉和强化学习的新手或寻求快速复习的学生
评论(2)
配套资料里面都是HTML文件,搞什么飞机
资料与Udemy课程列表中的文件一致,人家提供的就是这些。