课程大纲

介绍

人工智能基础和 Machine Learning

了解 Deep Learning

    深度学习基本概念概述 区分 Machine Learning 和深度学习 深度学习应用概述

Neural Networks概述

    什么是 Neural Networks Neural Networks 与回归模型 了解数学基础和学习机制 构建人工神经网络 了解神经节点和连接 使用神经元、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 改进学习方式 Neural Networks

Telecom 中使用的深度学习技术概述

    神经网络 自然语言处理 图像识别 Speech Recognition 情绪 分析

探索深度学习案例研究 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 支持电话 实时配置 SDN 和虚拟化网络

了解深度学习的优势 Telecom

探索 Python 的不同深度学习库

    TensorFlow 硬

使用 TensorFlow 设置 Python 以进行深度学习

    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

使用 Keras 设置 Python 进行深度学习

使用 Keras 构建简单的深度学习模型

    创建 Keras 模型 了解您的数据 指定深度学习模型 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 实现电信深度学习

    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
指定网络体系结构
  • 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
  • 构建图形 推理
  • 损失
  • 训练
  • 训练模型 图表
  • 会议
  • 火车环线
  • 评估模型 构建评估图
  • 使用 Eval 输出进行评估
  • 大规模训练模型
  • 使用 TensorBoard 可视化和评估模型
  • 动手实践:使用 Python 构建深度学习客户流失预测 模型
  • 扩展公司的能力
  • 在云中开发模型 使用 GPU 加速深度学习 将深度学习 Neural Networks 应用于计算机视觉、语音识别和文本分析
  • 总结和结论
  • 要求

    • 具有 Python 编程经验
    • 大致熟悉电信概念
    • 基本熟悉统计学和数学概念

    观众

    • 开发 人员
    • 数据科学家
      28 小时
     

    人数


    开始

    完结


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    客户评论 (5)

    相关课程

    课程分类