介绍CNN、RNN、LSTM等深度学习算法，及其在Keras+Tensorflow环境的实现。

*   01 深度学习概述/

  *   01 深度学习？深在哪里？！

  *   02 课程内容介绍

  *   03 如何选择各类深度学习模型

  *   04 图像的数据表示

  *   05 图像与数据的互相转换

  *   06 MNIST数据集介绍

  *   07 CIFAR-10数据集介绍

  *   08 什么是张量？

  *   09 本课程代码课件及数据下载

  *   10 本课程案例数据及文档下载

*   02 准备软件环境/

  *   01 Python常用IDE简介

  *   02 Anaconda的安装与配置

  *   03 Jupyter Notebook的基本操作

  *   04 Keras+TensorFlow组合的优势

  *   05 安装Keras+TensorFlow组合

  *   06 该选择Tensorflow 1还是2？

  *   07 穷人的GPU：PlaidML【2021.4新增】

  *   08 如何用笔记本显卡做GPU计算

*   03 神经网络模型入门/

  *   01 神经网络的基本原理

  *   02 神经网络原理的具体演示

  *   03 神经网络的算法实质

  *   04 神经网络的连接函数

  *   05 损失函数与凸函数

  *   06 控制模型复杂度：正则化

  *   07 损失函数的求解：梯度下降法

  *   08 损失函数的求解：自适应算法

*   04 Keras操作入门/

  *   01 Keras的基本操作步骤

  *   02 Keras操作的常用命令

  *   03 IRIS分析实例

  *   04 模型的可视化

  *   05 模型的终止训练、保存与载入

  *   06 模型的修改

  *   07 将Keras与sklearn结合使用

  *   08 用Keras拟合MNIST案例

*   05 卷积神经网络/

  *   01 什么是卷积？

  *   02 CNN的基本原理

  *   03 CNN网络的结构

  *   04 Keras中和CNN有关的层设定

  *   05 MNIST实例的CNN实现

  *   06 对CIFAR10案例拟合简单CNN模型

  *   07 对CIFAR10案例拟合复杂CNN模型

*   06 图像预处理/

  *   01 缺少源数据对建模的影响

  *   02 定义所需的图像变换方法

  *   03 直接生成变换后的图像数据

  *   04 流式数据处理

  *   05 图像的缩放操作

*   07 迁移学习/

  *   01 为什么需要迁移学习？

  *   02 LeNet和AlexNet

  *   03 VGG

  *   04 ResNet

  *   05 GoogleNet

  *   06 Xception、DenseNet和NasNet

  *   07 Keras提供的预训练模型

  *   08 直接应用原模型预测

  *   09 利用原模型对数据做预处理

  *   10 Keras的函数式API

  *   11 在原模型的基础上继续训练

*   08 循环神经网络/

  *   01 RNN的基本原理

  *   02 RNN的模型分类

  *   03 RNN相关的网络层定义

  *   04 用RNN拟合MNIST案例

  *   05 用RNN拟合IMDB案例

*   09 长短期记忆网络/

  *   01 LSTM的基本原理

  *   02 用LSTM拟合IMDB案例

  *   03 自动写作案例：数据准备

  *   04 自动写作案例：模型拟合

  *   05 GRU的基本原理

  *   06 用GRU拟合IMDB案例

*   10 结课测试/

  *   01 Python 3 数据分析与挖掘系列课程结业测试