Neural computing – Data science

机器学习、系统架构和编程语言的知识/欣赏是可取的

这个基于课堂的培训课程将包含演示和基于计算机的示例和案例研究练习，以与相关的神经和深层网络库进行

神经网络和深度学习概述 机器学习 （ML） 的概念 为什么我们需要神经网络和深度学习？ 根据不同的问题和数据类型选择网络 学习和验证神经网络 比较逻辑回归与神经网络 神经网络 神经网络的生物学启示 神经网络– 神经元、感知器和 MLP（多层感知器模型） 学习 MLP – 反向传播算法 激活函数 – linear、sigmoid、Tanh、Softmax 适用于预测和分类的损失函数 参数 – 学习率、正则化、动量 在 Python 中构建神经网络 评估神经网络的性能 Python 深度网络基础知识 什么是深度学习？ 深度网络架构 – 参数、层、激活函数、损失函数、求解器 受限玻尔兹曼机 （RBM） 自动编码器 深度网络架构 Deep Belief Networks（DBN） – 架构、应用 自动编码器 受限玻尔兹曼机 卷积神经网络 递归神经网络 循环神经网络 Python 中可用的库和接口概述 咖啡菲 西阿诺 张量流 克拉斯 MXNET公司 选择适当的库来解决问题 在 Python 中构建深度网络 为给定的问题选择合适的架构 混合深度网络 学习网络 – 适当的库、架构定义 整定网络 – 初始化、激活函数、损失函数、优化方法 避免过拟合 – 检测深度网络中的过拟合问题，正则化 评估深度网络 案例研究 Python 图像识别 – CNN 使用自动编码器检测异常 使用 RNN 预测时间序列 使用自动编码器降维 使用 RBM 进行分类