如果您对机器学习、神经网络、深度学习、深度神经网络 （DNN） 和卷积神经网络 （CNN） 感兴趣，并且有深入而清晰的理解，那么本课程适合您。

对主题进行了详细解释。概念是逐步发展的。我有时会花 10 多分钟来讨论一张幻灯片，而不是匆忙浏览它。这应该可以帮助您与所提供的材料保持同步，并帮助您更好地理解它。

选择动手实践示例的主要目的是让您熟悉 TensorFlow 2 的某些方面或其他技能，如果您将来需要运行自己的大型复杂神经网络作业，这些技能可能非常有用。

您可以下载动手实践示例。

请观看前两个视频以更好地了解该课程。

  主题

• 什么是机器学习？

•   线性回归

• 计算参数的步骤

• 使用均方误差 （MSE） 成本函数的线性回归 – 梯度下降

• Logistic 回归：分类

•   决策边界

•   Sigmoid 函数

• 非线性决策边界

• Logistic 回归：梯度下降

• 使用均方误差成本函数的梯度下降

• Logistic 回归的 MSE 成本函数的问题

• 寻找替代成本函数

• 熵和交叉熵

• 交叉熵：Logistic 回归的成本函数

• 具有交叉熵成本函数的梯度下降

• Logistic 回归：多类分类

• 神经网络简介

•   逻辑运算符

• 使用感知器对逻辑运算符进行建模

• 使用 Combination of Perceptron 的逻辑运算符

• 神经网络：更复杂的决策

•   生物神经元

• 什么是 Neuron？为什么叫神经网络？

•   什么是图像？

• 我的“数学”猫。图像剖析

• 神经网络：多类分类

• 使用反向传播技术计算多层神经网络的权重

• 如何使用 Cross Entropy Cost Function 更新隐藏层的权重

•   动手实践

• 谷歌 Colab。设置和挂载 Google Drive （Colab）

• 使用 Google Colab 进行基于深度神经网络 （DNN） 的图像分类。& TensorFlow （Colab）

• 卷积神经网络 （CNN） 简介

•   CNN 架构

• 特征提取、滤波器、池化层

•   动手实践

• 使用Google Colab和TensorFlow进行基于CNN的图像分类（Colab）

• 解决过拟合和欠拟合问题的方法

• 正则化、数据增强、Dropout、Early Stopping

•   动手实践

• 糖尿病预测模型开发 （Colab）

• 使用 Regularization， Dropout， and Early Stopping 修复问题 （Colab）

•   动手实践：各种主题

• 保存权重并加载保存的权重 （Colab）

• 如何将一个长运行拆分为多个较小的运行

• 函数式 API 和迁移学习 （Colab）

• 如何从现有模型 （Colab） 的中间层提取输出，并向其添加其他层以构建新模型。