想要成为一名优秀的深度学习工程师并不容易，研究 AI 有着天然的高门槛和高要求。很多人都是理论上的王者，实践上的青铜，自以为对框架、算法的理解足够，但因为缺乏应用场景和实践机会，遇到实际问题仍然不知道该怎么抽象问题然后用模型解决。

本课程将带领您从理论基础、工具使用和实际使用出发，一步一步了解和理解深度学习，并学习构建深度学习模型。

模块1：深度学习的基本概念。这个模块就像打基础。老师将向您展示用于深入学习的基本知识，主要是数学知识和理论知识。我们还将详细介绍深入学习中常用的结构，如您经常听到的CNN、DNN、GAN等，从零开始，逐步深入。通过这部分学习，您将了解深入学习所需的基本知识。

模块2：深入学习的工具和框架。这个模块就像建筑砖。有了理论知识，您可以将理论知识转化为代码，并使用适当的框架和工具来帮助您开展工作。在框架方面，有许多常用的深度学习框架，如TensorFlow、PyTorch等。教师将使用使用最广泛的TensorFlow作为起点，让您熟悉图像处理工具、模型训练记录工具、交互工具和其他工具的使用。通过这部分学习，您可以开始准备开发实用项目。

模块3：深入研究经典问题的实施。本模块将教您如何建造建筑物。老师将选择几个常见的深度学习应用场景，包括图像分类、语义分割和自然语言处理，教您如何从头开始构建模型，如何优化现有模型，以及如何逐步构建项目模型。通过这部分学习，您可以构建自己的深度学习模型。

课程目录

文件

[4974]深入学习开场白，享受AI时代。第4英里

[4975]01来自神经元：数学。第4英里

[4976]02来自神经元：结构。第4英里

[4977]03人工智能术语：让你更专业。第4英里

[4978]04功能和优化方法：模型的自学习（I）。第4英里

[4979]05前馈网络和反向传播：模型的自我学习（第2部分）。第4英里

[4980]06线性回归模型：回顾和理解问题中的基本概念。mp4

[4981]07卷积神经网络：给你的模型一双能看到世界的眼睛。mp4

[4982]08 RNN和LSTM：模型也可以持续考虑。mp4

[4983]09自编码器：让模型有自己的表达式和语言。mp4

[4984]10世代对抗网络：艺术创作也可以成为深度学习的专业。mp4

[4985]11集成、共享和灵活性：使用Jupyter Notebook.mp4

[4986]12数据预处理：使模型更好地学习。第4英里

[4987]13 Tensor，数据流图和概念：TenorFlow.mp4的初步理解

[4988]14工作机制和过程：通过手写识别深入了解TenorFlow.mp4

[4989]15 TenorBoard：实验统计分析助理。第4英里

[4990]16图像分类：技术背景和常见模型分析。mp4

[4991]17图像分类：实现您的第一个图像分类实用项目.mp4

[4992]18语义分割：技术背景和算法分析.mp4

[4993]19语义分割：创建简单高效的肖像分割模型.mp4

[4994]20文本分类：技术背景和经典网络结构简介.mp4

[4995]21文本分类：使用Bert.mp4创建优秀的文本分类模型

[4996]结束语掌握深度学习并学习AI Express。第4英里