Python中的卷积神经网络：CNN 计算机视觉课程

你在寻找一个完整的卷积神经网络 (CNN) 课程，教你如何在Python中创建图像识别模型，对吗？
你找对地方了！

卷积神经网络课程！

完成这门课程后，你将能够

识别可以用CNN模型解决的图像识别问题。
使用Keras和TensorFlow库在Python中创建CNN模型并分析其结果。
自信地实践、讨论并理解深度学习概念
对高级图像识别模型如LeNet、GoogleNet、VGG16等有清晰的理解，Convolutional Neural Networks in Python: CNN Computer Vision

这门课程将如何帮助你？
所有参加这门卷积神经网络课程的学生将获得可验证的完成证书。
如果你是分析师、机器学习科学家，或想学习并应用深度学习于现实世界图像识别问题的学生，这门课程将为你打下坚实基础，教你一些最先进的深度学习概念及其在Python中的实现，而不需要过多的数学背景。

为什么选择这门课程？
这门课程涵盖了创建图像识别模型所需的所有步骤，利用卷积神经网络。
大多数课程只关注如何运行分析，但我们相信，拥有强大的理论基础能够帮助我们创建好的模型。在运行分析后，学员应该能够评估模型的效果并解释结果，以实际帮助业务发展。

我们有什么资格来教你？
这门课程由Abhishek和Pukhraj主讲。作为全球分析咨询公司的经理，我们帮助企业解决商业问题，运用深度学习技术，我们利用自己的经验将数据分析的实践方面纳入这门课程中。
我们也是一些最受欢迎的在线课程的创作者——总报名人数超过130万，获得数千条五星好评，比如：
“这门课非常棒，我喜欢所有解释都能让普通人理解。” – Joshua
“谢谢作者提供这门精彩的课程。你是最棒的，这门课程值任何价格。” – Daisy
我们的承诺
教好学生是我们的工作，我们对此承诺。如果你有任何关于课程内容、练习题或任何主题的问题，随时可以在课程中提问或直接给我们发信息。
下载练习文件，参加实践测试，完成作业
每节课都有附带的课堂笔记，方便你跟随。你还可以参加实践测试，检查对概念的理解。还有最终的实践作业，让你实际应用所学。

时长：7小时47分钟 | 视频：.MP4, 1920×1080 30 fps | 音频：AAC, 44.1 kHz, 2ch | 大小：2.98 GB
类型：在线学习 | 语言：英语

计算机视觉与图像识别的Python – 深度学习卷积神经网络 (CNN) – Keras与TensorFlow 2

你将学到什么
深入理解卷积神经网络 (CNN) 和深度学习
在Python中构建一个完整的图像识别项目
学习Keras和TensorFlow库的使用
利用人工神经网络（ANN）进行预测
使用Pandas DataFrames处理数据并进行统计计算

要求
学生需要安装Python和Anaconda软件，但我们会提供单独的讲座来帮助你安装

这门课程涵盖了什么？
这门课程教你创建基于神经网络的模型，即深度学习模型，以解决商业问题的所有步骤。

以下是这门课程关于人工神经网络（ANN）的内容简介：

第一部分（第2节）- Python基础
这一部分让你入门Python。
我们将帮助你在系统上设置Python和Jupyter环境，并教你如何在Python中进行一些基本操作。我们将理解不同库如Numpy、Pandas和Seaborn的重要性。

第二部分（第3-6节）– ANN理论概念
这一部分将让你对神经网络相关的概念有一个扎实的理解。
在这一节中，你将学习单个单元或感知器以及如何将感知器堆叠起来形成网络架构。一旦架构建立，我们将理解梯度下降算法，用于寻找函数的最小值，并学习如何利用该算法优化我们的网络模型。

第三部分（第7-11节）– 在Python中创建ANN模型
在这一部分，你将学习如何在Python中创建ANN模型。
我们将通过使用顺序API创建一个ANN模型来解决分类问题。我们将学习如何定义网络架构、配置模型和训练模型。接下来，我们将评估训练后模型的性能，并使用它对新数据进行预测。最后，我们学习如何保存和恢复模型。
我们还将理解Keras和TensorFlow等库在这一部分中的重要性。

第四部分（第12节）– CNN理论概念
在这一部分，你将学习卷积层和池化层，这些是CNN模型的基础构件。
在这一节中，我们将首先介绍卷积层、步幅、过滤器和特征图的基本理论。同时，我们也会解释灰度图像和彩色图像之间的区别。最后，我们讨论池化层，它为我们的模型带来了计算效率。

第五部分（第13-14节）– 在Python中创建CNN模型
在这一部分，你将学习如何在Python中创建CNN模型。
我们将继续使用识别时尚物品的问题，应用CNN模型。我们将比较我们的CNN模型与ANN模型的表现，并注意到使用CNN时准确率提高了9-10%。然而，这并不是结束。我们可以通过使用一些特定的技术进一步提升准确率，这些内容将在下一部分深入探讨。

第六部分（第15-18节）– 在Python中的端到端图像识别项目
在这一节中，我们将建立一个完整的关于彩色图像的图像识别项目。
我们将参加Kaggle图像识别竞赛，并构建CNN模型来解决它。通过一个简单的模型，我们在测试集上达到了近70%的准确率。然后，我们学习像数据增强和迁移学习这样的概念，这帮助我们将准确率从70%提高到近97%（与那场竞赛的获胜者不相上下）。
通过这门课程结束时，你将对在Python中创建卷积神经网络模型充满信心。你将彻底理解如何使用CNN创建预测模型并解决图像识别问题。
快来点击报名按钮，我在第一节课见！

干杯
Start-Tech Academy
————
以下是一些想要开始深度学习旅程的学生常见问答：

为什么使用Python进行深度学习？
理解Python是深度学习职业所需的重要技能之一。
虽然过去并非如此，但Python如今是数据科学的首选编程语言。这里有个简短的历史：
在2016年，它在Kaggle这个数据科学竞赛的首要平台上超越了R。
在2017年，它在KDNuggets的年度调查中成为数据科学家最常用工具的第一名。
到2018年，66%的数据科学家每天报告使用Python，使其成为分析专业人士的第一工具。
深度学习专家预计，这一趋势会随着Python生态系统的不断发展而继续。而尽管你学习Python编程的旅程可能才刚开始，但可以知道就业机会是丰富（并且不断增长）的。

数据挖掘、机器学习和深度学习之间有什么区别？
简单来说，机器学习和数据挖掘使用相同的算法和技术，但预测的类型不同。数据挖掘发现之前未知的模式和知识，而机器学习重现已知的模式和知识，并进一步自动将这些信息应用于数据、决策和行动。
而深度学习则利用先进的计算能力和特殊类型的神经网络，应用于大量数据中以学习、理解和识别复杂模式。自动语言翻译和医学诊断就是深度学习的例子。

这门课程适合谁
追求数据科学职业的人
开始他们的深度学习旅程的在职专业人士
任何想在短时间内掌握图像识别技巧的人