内容
- 用于AI机器学习和深度学习的Tensorflow简介(由deeplearning.ai提供)
- 没有错误,没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
- 实践学习中的Tensorflow(由deeplearning.ai提供)
- 卷积神经网络和Tensorflow(由deeplearning.ai提供)
- 在GCP上使用Tensorflow进行图像理解(由Google Cloud Platform提供)
- 在Google Cloud Platform上使用Tensorflow进行无服务器机器学习(由Google Cloud Platform提供)
- 使用Tensorflow进行自然语言处理(由deeplearning.ai提供)
- 结论
带走:
Tensorflow是ML工程师最喜欢的开源库之一,用于表示ML中涉及的代码功能,并可视化神经网络和其他ML设置中使用的数学运算。
Tensorflow是机器学习(ML)工程师最喜欢的开源库之一,用于表示ML中涉及的代码功能,并可视化神经网络和其他ML设置中使用的数学运算。
以下是Coursera学习门户网站上的六门课程,它们指导学生更全面地了解Tensorflow环境。
- 用于AI机器学习和深度学习的Tensorflow简介(由deeplearning.ai提供)
- 实践学习中的Tensorflow(由deeplearning.ai提供)
- 卷积神经网络和Tensorflow(由deeplearning.ai提供)
- 在GCP上使用Tensorflow进行图像理解(由Google Cloud Platform提供)
- 在Google Cloud Platform上使用Tensorflow进行无服务器机器学习(由Google Cloud Platform提供)
- 使用Tensorflow进行自然语言处理(由deeplearning.ai提供)
用于AI机器学习和深度学习的Tensorflow简介(由deeplearning.ai提供)
本课程可帮助学生了解如何构建可扩展算法以及深度学习的工作原理。神经网络是这一多元化课程的重点之一,利用专家Andrew Ng的一些知识向学生展示Tensorflow原理在工作中。
这是一门中级课程,在线上100%完成,大约需要八个小时才能完成,建议时限为四个星期。
学生将学习训练用于计算机视觉的神经网络,学习Tensorflow最佳实践,学习理解卷积神经网络,并使用Tensorflow构建基本的神经网络。
关于这种类型的可视化和机器学习组件处理的全面指南。
没有错误,没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时,您就无法提高编程技能。
实践学习中的Tensorflow(由deeplearning.ai提供)
四个模块可帮助学生探索人工智能(AI)应用及其制作方式。神经网络的构建和训练是该课程的一部分,学生将学习在图像处理中使用卷积,以促进尖端的识别和分类功能。
学生可以直接了解机器如何学习处理以及神经网络如何处理输入数据。
本课程的动手要素将显示这些类型的技术在现实世界中的工作方式。该在线课程大约需要一个月才能完成,是中级课程。
卷积神经网络和Tensorflow(由deeplearning.ai提供)
本课程专门针对卷积神经网络,这是机器学习领域中的一种特殊概念。CNN被称为神经网络,它通过使用神经网络中的各个层来处理图像处理。
诸如跨步和填充之类的技术用于过滤和勘测图像,并且信息通过系统被集中到系统中,最终训练计算机以识别图像的对象或其他方面。
学生将学习计算机如何“查看”信息,以及哪些特定操作可导致有效的图像处理和识别任务。
学生将学习各种问题,例如积失,过度拟合和辍学,以寻求构建和维护CNN面部识别,产品开发等功能的最佳实践。
迁移学习也将是本课程的一部分,学生将学习更多有关特征提取和特征选择的知识,这些特征是成功维数的组成部分。
该中级课程全部在线,需要大约七个小时才能完成,建议的课程时间为四个星期。
在GCP上使用Tensorflow进行图像理解(由Google Cloud Platform提供)
此高级机器学习课程是专门为Google Cloud设计的。对于许多开发最新最好的ML程序的开发人员来说,这种顶级环境已经成为他们的首选。
本课程将向学生展示将图像分类器组合在一起的不同策略,并将帮助他们理解卷积神经网络的构建。特征提取和选择也是本课程重点之一,并且学生将获得如何防止过度拟合和相关问题的培训。
动手组件需要基本的SQL,Python和Tensorflow知识。
此课程是高级的100%在线课程,需要11个小时才能完成,建议每周投资5-7个小时。
在Google Cloud Platform上使用Tensorflow进行无服务器机器学习(由Google Cloud Platform提供)
本课程还利用了在Google Cloud Platform上使用Tensorflow的想法,但增加了无服务器计算的想法,以设想在不同类型的环境中进行机器学习。
在无服务器计算中,功能是为按需交付而设计的。本课程将讨论此类设置的用例,并使学生能够参与构建Tensorflow ML模型。通过了解预处理功能以及如何以有效的虚拟化能力扩展ML模型,着重于可伸缩性和部署。
该中级课程全部在线,需要12个小时才能完成,建议时限为一周。
使用Tensorflow进行自然语言处理(由deeplearning.ai提供)
Tensorflow和其他机器学习工具最受欢迎的应用之一是自然语言处理(NLP)的实践。
本课程将使学生熟悉与语言单元标记有关的NLP的某些组成部分,以及有助于神经网络建立结构预测模型的其他技术。 NLP从ML中受益匪浅,并且从亲眼目睹这些技术的工作原理中可以使学生受益。
通过动手学习,学生将解决现实世界中的问题,例如如何在Tensorflow中应用递归神经网络和LSTM,以及如何使用标记化和向量进行处理。
本课程是100%在线中级课程,需要9个小时才能完成,建议的时限为4周。
结论
利用这些创新的学习机会中的任何一种,不仅可以通过理解术语,而且可以通过使用Tensorflow正常工作的系统构建来更好地与ML的细节联系起来。