人工智能实践:Tensorflow笔记
分享
课程详情
课程评价
spContent=​这是人工智能入门课,将用八次课帮你梳理人工智能概念、机器学习方法、深度学习框架。如果你还不知道什么是人工智能、机器学习、深度学习,欢迎进来学习交流。结课时,你将会用Python搭建人工神经网络,实现特定物体的识别。一起编码感受人工智能 机器学习 深度学习 人工智能 机器学习 深度学习吧!
—— 课程团队
课程概述

课程会以投影的形式,帮你梳理tensorflow的用法,希望你用纸质笔记本记录下每个打着对勾的知识点;会用录屏的形式,带你编写代码,实现实际应用,希望你用电脑复现课程的案例。每次课后,助教会分享他的tensorflow笔记和源代码,帮你查漏补缺。

授课目标

学会使用Python语言搭建人工神经网络,实现图像分类。

课程大纲

第一讲 带着大家梳理人工智能领域的基本概念:比如什么是人工智能、什么机器学习、什么是深度学习,他们的发展历史是什么,能用他们做什么。课后,助教会带领大家安装Ubuntu系统、Python解释器 和 Tensorflow环境,把同学们的电脑进行改造,让它变得更专业。

第二讲 串讲python语法:课程将帮同学们在最短的时间内把python语法织成网,为后续课程扫清代码关;

第三讲 讲解Tensorflow的关键词,搭建神经网络:这节课会介绍张量、计算图、会话等概念,并用Python搭建你的第一个神经网络,总结出神经网络搭建的八股。

第四讲 讲解神经网络的优化:包括损失函数、学习率、滑动平均和正则化。

第五讲 讲解全连接网络:使用MNIST数据集,搭建全连接网络实现手写数字的识别。包括前向传播、反向传播、识别准确率输出和反向传播断点续训。

第六讲 讲解全连接网络应用:更改上一讲全连接网络的代码,现场手写一个数字,输出这个数字的值。

第七讲 讲解卷积神经网络:使用MNIST数据集,搭建卷积神经网络实现前向传播、反向传播、识别准确率输出和反向传播断点续训。

第八讲 讲解卷积神经网络应用:复现ImageNet数据集训练好的模型,实现特定图片的识别。

证书要求

满分100分,达到60分为合格,达到90分以上为优秀。

期中项目60分:编写Python代码,实现输入手写数字图片,输出预测的数值。识别准确率达到90%为合格:课程给出十张手写数字图片,每正确识别一张得6分。

期末项目40分:编写Python代码,复现卷积神经网络,输入一张图片,识别出图片的内容。识别准确率达90%为合格:课程给出十张图片,每正确识别一张得4分。


参考资料

《Tensorflow:实战Google深度学习框架》 郑泽宇,顾思宇 著,电子工业出版社

《深度学习》赵申剑,黎彧君,符天凡,李凯 译,人民邮电出版社


有空时,可以看看电影 《人工智能》 让自己充满热情地进入这个领域。