我们将在第一份深度学习证书中涵盖什么

对于那些考虑加入我们的深度学习证书的人,我敢肯定,您想了解更多有关我们所涵盖内容的信息。这是第一部分课程,是两部分系列的第1部分,具有以下高级目标:

这是我们计划在本课程的第1部分中介绍的内容:

  1. 应用深度学习解决广泛问题的机会和限制,包括当今如何应用深度学习
  2. 如何使用流行的深度学习库(例如Keras)快速启动并运行
  3. 如何测试模型是否正常工作
  4. 足够的线性代数,概率论和演算来理解深度学习的工作原理
  5. 深度学习的每个关键组成部分的作用:输入,体系结构,输出,损失函数,优化,正则化和测试
  6. 这些组件中每个组件使用的关键技术,使用原因以及如何使用流行的深度学习库来应用它们
  7. 如何使用这些技术中的每一种来实现最先进的技术,从而实现计算机视觉和自然语言处理
  8. 深度学习在改进模型训练结果方面的最新进展
  9. 即使使用较小的数据集也能获得良好结果的技术

如果您过去曾经修过任何大学水平的数学或CS课程,我们将以非常不同的方式涵盖这些主题。在下一篇文章中,我们将向大家介绍我们的教学理念。我们的方法将是繁重的代码和轻量级的代码,因此我们要求参与者已经至少有一年或两年的扎实的编码经验。我们将通过示例(通过精美的Jupyter Notebook)使用Python,因此,如果您还不熟悉Python,强烈建议您仔细阅读 Python快速入门到Jupyter(以前称为IPython)

更多细节

这是我们将要涵盖的主题的更多详细信息。对于主要用于图像分类的卷积神经网络(CNN),我们将教:

要了解更多,您可能会感兴趣 图像内核的出色视觉解释

对于用于自然语言处理(NLP)和时间序列数据的递归神经网络(RNN),我们将涵盖:

要立即了解更多信息,可以阅读这篇优秀的文章。 由Andrej Karpathy发布.

本课程的主要目标之一是教您一些实用的技术,以训练更好的模型,例如:

查看有关此有用的建议 照顾您的学习过程 和克里斯·奥拉(Chris Olah)的启发 语言表示的可视化

有一个危险的神话,那就是您需要巨大的数据集来有效地使用深度学习。这是错误的,我们将教您如何处理数据短缺问题,例如:

背景& Preparation

要参加,您应该对矩阵乘法,基本微分和链式规则有所了解,或者愿意在课程开始之前学习它们。如果您需要对这些概念进行复习,我们建议您在 矩阵乘法连锁规则)。

我们将在Python中大量使用列表推导-这是一个 有用的介绍。了解基本的python数据科学工具的方式也将非常有帮助:numpy,scipy,scikit-learn,pandas,jupyter notebook和matplotlib。我对这些工具了解的最佳指南是 用于数据分析的Python。对于那些没有python经验的人,您可能需要阅读以下内容进行准备 艰难地学习Python.

阅读USF数据研究所对我们的官方描述 即将举行的深度学习课程 在周一晚上将简历发送给 [电子邮件 protected] 在10月12日之前申请。