[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