基于Keras的深度神经网络应用[一本书]_keras高级深度学习.pdf csdn

基于Keras的深度神经网络应用

关注人工智能学术前沿 回复 ：ts30

5秒免费获取pdf文档，及项目源码

摘要

深度学习是一组令人兴奋的神经网络新技术。通过高级训练技术和神经网络架构组件的结合，现在可以创建可以处理表格数据、图像、文本和音频作为输入和输出的神经网络。深度学习允许神经网络以一种类似于人类大脑功能的方式来学习信息的层次结构。本课程将向学生介绍经典的神经网络结构，卷积神经网络(CNN)，长短期记忆(LSTM)，门控递归神经网络(GRU)，一般对抗网络(GAN)和强化学习。课程将涵盖这些架构在计算机视觉、时间序列、安全、自然语言处理(NLP)和数据生成等方面的应用。高性能计算(HPC)方面将演示如何在图形处理单元(gpu)和网格上利用深度学习。重点主要放在深度学习在问题中的应用上，并介绍一些数学基础。学生将使用Python编程语言使用谷歌TensorFlow和Keras实现深度学习。在学习本课程之前，没有必要了解Python;但是，至少要熟悉一种编程语言。本课程将采用混合教学模式，包括课堂教学和网络教学

1.作者简介

Your Instructor: Jeff Heaton

Jeff Heaton, JH是本书的作者和本课程的开发人员。以下是他的资历简介:
密苏里州圣路易斯华盛顿大学信息管理硕士
位于佛罗里达州劳德代尔堡的Nova东南大学计算机科学博士
美国再保险集团(RGA)副总裁兼数据科学家
高级会员,IEEE
jtheaton 是这所大学的域名
其他行业认证:FLMI、ARA、ACS

2.课程配套资源介绍

课程地址 https://sites.wustl.edu/jeffheaton/

课程目录

1. Python基础

2. 机器学习Python

3. TensorFlow简介

4. 表格类数据的训练

5. 正则化和Dropout

6. 用于计算机视觉的卷积神经网络

7. 生成对抗网络

8. Kaggle数据集

9. 迁移学习

10. Keras的时间序列

11. 自然语言处理与语音识别

12. 强化学习

13. Advanced/Other Topics

14. 其他神经网络技术

目录样章

pdf中代码表现形式

项目资源（Jupyter NoteBook）

视频教学资源（Youtube）（需要科学上网才能访问）

项目中除了代码资源、视频资源外，还附带的丰富扩展资源，可以点击链接进行访问。

作业提交与批改系统

书中安排了10次课程任务，需要补充代码，完成函数中的代码内容，可以进行 提交校验。

关注人工智能学术前沿 回复 ：ts30

5秒免费获取pdf文档，及项目源码