课程大纲

介绍

人工智能基础和 Machine Learning

了解 Deep Learning

  • Deep Learning的基本概念概述
  • 区分 Machine Learning 和 Deep Learning
  • Deep Learning 的应用概述

Neural Networks概述

  • 什么是 Neural Networks
  • Neural Networks 与回归模型
  • 了解 Mathematical 基础和学习机制
  • 构建人工神经网络
  • 了解神经节点和连接
  • 处理神经元、层以及输入和输出数据
  • 了解单层感知器
  • 监督学习和无监督学习之间的区别
  • 学习前馈和反馈 Neural Networks
  • 了解前向传播和反向传播
  • 了解长短期记忆 (LSTM)
  • 在实践中探索复发性 Neural Networks
  • 在实践中探索卷积 Neural Networks
  • 改进方式 Neural Networks 学习

Telecom 中使用的 Deep Learning 技术概述

  • Neural Networks
  • 自然语言处理
  • 图像识别
  • Speech Recognition
  • 情感 分析

探索 Deep Learning 案例研究 Telecom

  • 通过实时网络流量分析优化路由和服务质量
  • 预测网络和设备故障、中断、需求激增等。
  • 实时分析电话以识别欺诈行为
  • 分析客户行为以确定对新产品和服务的需求
  • 处理大量 SMS 消息以获得见解
  • Speech Recognition 用于支持电话
  • 实时配置 SDN 和虚拟化网络

了解 Deep Learning 对 Telecom 的好处

探索不同的 Deep Learning 库 Python

  • TensorFlow
  • Keras

将 Python 与 TensorFlow 设置为 Deep Learning

  • 安装 TensorFlow Python API
  • 测试 TensorFlow 安装
  • 设置 TensorFlow 进行开发
  • 训练您的第一个 TensorFlow 神经网络模型

将 Python 与 Keras 设置为 Deep Learning

使用 Keras 构建简单的 Deep Learning 模型

  • 创建 Keras 模型
  • 了解您的数据
  • 指定 Deep Learning 型号
  • 编译模型
  • 拟合您的模型
  • 使用分类数据
  • 使用分类模型
  • 使用模型 

使用 TensorFlow 表示 Deep Learning 表示 Telecom

  • 准备数据
    • 下载数据
    • 准备训练数据
    • 准备测试数据
    • 缩放输入
    • 使用占位符和变量
  • 指定网络架构
  • 使用成本函数
  • 使用优化器
  • 使用初始值设定项
  • 拟合神经网络
  • 构建图表
    • 推理
    • 损失
    • 训练
  • 训练模型
    • 图表
    • 会议
    • 火车环路
  • 评估模型
    • 构建评估图
    • 使用 Eval Output 进行评估
  • 大规模训练模型
  • 使用 TensorBoard 可视化和评估模型

实践:使用 Python 构建 Deep Learning 客户流失预测 模型

扩展公司的能力

  • 在云中开发模型
  • 使用 GPU 加速 Deep Learning
  • 将 Deep Learning Neural Networks 应用于 Computer Vision、语音识别和文本分析

总结和结论

要求

  • 具有 Python 编程经验
  • 对电信概念有大致的了解
  • 对统计学和数学概念有基本的了解

观众

  • 开发 人员
  • 数据科学家
 28 小时

客户评论 (5)

即将举行的公开课程

课程分类