基于Python玩转人工智能最火框架 TensorFlow应用实践视频教程

fengshou

课程名称:  基于Python玩转人工智能最火框架 TensorFlow应用实践视频教程


课程简介:    

TensorFlow是一个人人都触手可及的完全开源的人工智能框架！本课为你系统讲解TensorFlow
从基础原理深入到实践应用，掌握最实用的技术，是你工作中应用人工智能的必修课！

----------------------课程目录------------------------------

第1章 课程整体介绍
课程背景简介，项目成果演示，知识点和软件简介，让大家对接下来的学习心中有数

1-1 课程整体介绍及导学


第2章 人工智能基础知识
人工智能、神经网络、机器学习、深度学习、激活函数、过拟合、卷积神经网络、循环神经网络等知识的循序渐进讲解。培养大家对课程的兴趣，了解人工智能前景，对人工智能抱持正确态度

2-1 什么是人工智能
2-2 人工智能前景
2-3 人工智能需要的基本数学知识
2-4 人工智能简史
2-5 AI、机器学习和深度学习的关联
2-6 什么是机器学习
2-7 面对AI，我们应有的态度
2-8 什么是过拟合
2-9 什么是深度学习


第3章 TensorFlow简介和开发环境搭建
TensorFlow是什么，TensorFlow原理和前景，TensorFlow和其他框架的对比（例如 Theano，ScikitLearn，Keras，Caffe2，PyTorch等）。开发环境搭建，并提供讲师已经配置好开发环境的虚拟机镜像

3-1 什么是TensorFlow
3-2 TensorFlow和其他机器学习库的对比1
3-3 如何学习TensorFlow
3-4 TensorFlow前景
3-5 如何使用课程提供的虚拟机文件
3-6 安装VirtualBox
3-7 安装Ubuntu
3-8 配置Ubuntu系统
3-9 安装Python
3-10 安装TensorFlow（上）
3-11 安装TensorFLow（下）
3-12 安装Python类库


第4章 TensorFlow原理与进阶（代码实践）
TensorFlow核心概念，TensorFlow激励函数，TensorFlow构建神经网络，TensorFlow优化器，可视化利器TensorBoard，TensorFlow解决过拟合，TensorFlow实现卷积神经网络和循环神经网络等。通过生动图文原理解释和实例，循序渐进掌握TensorFlow

4-1 从HelloWorld开始
4-2 TensorFlow的编程模式
4-3 TensorFlow的基础结构
4-4 图和会话
4-5 Python常用库Numpy的使用
4-6 什么是Tensor（上）
4-7 什么是Tensor（下）
4-8 图和会话原理及案例（上）
4-9 图和会话原理及案例（下）
4-10 可视化利器TensorBoard（上）
4-11 可视化利器TensorBoard（下）
4-12 酷炫模拟游乐园PlayGround
4-13 常用Python库Matplotlib
4-14 综合小练习：梯度下降解决线性回归（上）
4-15 综合小练习：梯度下降解决线性回归（中）
4-16 综合小练习：梯度下降解决线性回归（下）
4-17 激活函数（上）
4-18 激活函数（下）
4-19 动手实现CNN卷积神经网络（一）
4-20 动手实现CNN卷积神经网络（二）
4-21 动手实现CNN卷积神经网络（三）
4-22 动手实现CNN卷积神经网络（四）
4-23 动手实现CNN卷积神经网络（五）
4-24 动手实现RNN-LSTM循环神经网络（一）：背景和知识点
4-25 动手实现RNN-LSTM循环神经网络（二）：编写实用方法(上)
4-26 动手实现RNN-LSTM循环神经网络（三）：编写实用方法(中)
4-27 动手实现RNN-LSTM循环神经网络（四）：编写实用方法(下)1
4-28 动手实现RNN-LSTM循环神经网络（四）：编写实用方法(下)2
4-29 动手实现RNN-LSTM循环神经网络（五）：编写神经网络模型(上)
4-30 动手实现RNN-LSTM循环神经网络（六）：编写神经网络模型(中)1
4-31 动手实现RNN-LSTM循环神经网络（六）：编写神经网络模型(中)2
4-32 动手实现RNN-LSTM循环神经网络（七）：编写神经网络模型(下)
4-33 动手实现RNN-LSTM循环神经网络（八）：编写训练方法(上)
4-34 动手实现RNN-LSTM循环神经网络（九）：编写训练方法(下)
4-35 动手实现RNN-LSTM循环神经网络（十）：编写测试方法
4-36 动手实现RNN-LSTM循环神经网络（十一）：实际训练和测试


第5章 案例一 会作曲的人工智能
结合RNN-LSTM开发能作出动听旋律的炫酷人工智能：背景和知识点简介，开发环境配置，原理讲解，代码实现，训练模型和测试

5-1 背景和知识点简介
5-2 音乐和数学的联系
5-3 什么是MIDI文件
5-4 配置开发环境
5-5 编写转换MIDI到MP3的方法
5-6 Python音乐库Music21的使用和测试方法
5-7 编写整个神经网络模型
5-8 编写从训练文件获取音符的方法
5-9 编写从预测数据来生成音乐的方法
5-10 编写训练神经网络的方法（一）
5-11 编写训练神经网络的方法（二）
5-12 编写训练神经网络的方法（三）
5-13 编写神经网络生成音乐的方法（一）
5-14 编写神经网络生成音乐的方法（二）
5-15 纯TensorFlow版的预告


第6章 案例二 会Photoshop的人工智能
结合DCGAN开发会PS的人工智能。从此P图不用愁，分分钟搞定N多图片的创建：背景和知识点简介，开发环境配置，原理讲解，代码实现，训练模型和测试

6-1 背景和知识点简介
6-2 配置开发环境
6-3 什么是GAN(生成对抗网络)
6-4 什么是DCGAN
6-5 编写DCGAN中的判别器模型（上）
6-6 编写DCGAN中的判别器模型（下）
6-7 编写DCGAN中的生成器模型
6-8 编写训练神经网络的方法（上）
6-9 编写训练神经网络的方法（下）
6-10 编写神经网络生成图片的方法
6-11 代码完成和测试模型
6-12 纯TensorFlow版的预告


第7章 案例三 会开3D赛车的人工智能
结合深度强化学习中的A3C实现会开3D赛车的人工智能，学会自动驾驶：背景和知识点简介，开发环境配置，原理讲解，代码实现，训练模型和测试

7-1 背景和知识点简介
7-2 强化学习的经典实验环境
7-3 配置开发环境（1）
7-4 配置开发环境（2）
7-5 什么是强化学习
7-6 什么是Q Learning
7-7 Q-Learning 实现机器人走迷宫：创建环境
7-8 Q-Learning 实现机器人走迷宫：决策算法（1）
7-9 Q-Learning 实现机器人走迷宫：决策算法（2）
7-10 Q-Learning 实现机器人走迷宫：游戏主程序
7-11 Deep Q Learning 实现迷宫游戏：决策算法（1）
7-12 Deep Q Learning 实现迷宫游戏：决策算法（2）
7-13 Deep Q Learning 实现迷宫游戏：决策算法（3）
7-14 Deep Q Learning 实现迷宫游戏：决策算法(4)和主程序
7-15 Policy Gradient 实现 Gym 游戏
7-16 A3C 实现 3D 赛车游戏：成果演示
7-17 A3C实现3D赛车游戏：讲解A3C和编写环境
7-18 A3C实现3D赛车游戏：编写A3C算法和主程序


第8章 知识点总结和课程延展
知识点总结，如何学习一门知识，如何深入人工智能和TensorFlow，如何学习数学和英语，TensorFlow还能做什么，等等。

8-1 总结陈词和补充
8-2 如何学好英语
8-3 如何学好数学
8-4 如何学习一门技术及课程知识点总结
8-5 深入AI和TensorFlow

下载地址：

游客，如果您要查看本帖隐藏内容请回复