本章将带您熟悉深度学习的基本概念与术语，并理解为何深度学习技术在当下如此强大。您将构建简单的神经网络，并用它们进行预测。

深度学习导论

将神经网络模型与经典回归模型进行比较

前向传播

编写前向传播算法

激活函数

整流线性激活函数

将网络应用于多条观测/数据行

更深的网络

更深网络中的前向传播

多层神经网络

表示是学出来的

表示层级

深度学习与神经网络基础

学习如何优化神经网络生成的预测。您将使用一种名为反向传播的方法，这是深度学习中最重要的技术之一。理解其工作原理将为您在课程后半部分的学习打下坚实基础。

为什么需要优化

计算模型误差

理解权重如何影响模型准确率

用代码探索权重变化如何影响准确率

扩展到多条数据点

梯度下降

计算斜率

改进模型权重

对权重进行多次更新

反向传播

前向传播与反向传播的关系

思考反向传播

反向传播实战

一次反向传播

用反向传播优化神经网络

本章将使用 Keras 库来构建用于回归和分类的深度学习模型。您将学习用于进行预测的"Specify-Compile-Fit"工作流，章节结束时，您将具备构建深层神经网络所需的全部工具。

创建 Keras 模型

理解您的数据

指定模型

编译并拟合模型

编译模型

拟合模型

分类模型

了解您的分类数据

分类模型的最后步骤

使用模型

进行预测

使用 Keras 构建深度学习模型

学习如何在 Keras 中优化您的深度学习模型。先从模型验证入手，随后理解模型容量的概念，最后尝试更宽和更深的网络。

理解模型优化

诊断优化问题

调整优化参数

模型验证

在验证数据集上评估模型准确率

早停法：把优化做"刚刚好"

尝试更宽的网络

为网络添加层

思考模型容量

尝试不同的模型结构

迈向图像处理

构建您自己的手写数字识别模型

最后的思考

微调 Keras 模型

Titanic

Hourly wages

MNIST

深度学习是当今众多前沿能力背后的机器学习技术，广泛应用于机器人、自然语言处理、图像识别和人工智能等领域，包括著名的 AlphaGo。在本课程中，您将通过动手实践，学习如何在 Python 中使用前沿的深度学习库 Keras 2.0。

<h2>探索深度学习应用 </h2>
深度学习是支撑机器人、自然语言处理、图像识别和人工智能中最令人兴奋能力的机器学习技术。 在这门 4 小时的课程中，你将获得将 Python 技能应用于使用 Keras 2.0 库进行深度学习的实践知识。
<br><br>
<h2>与库贡献者一起探索 Keras 模型</h2>
由前谷歌数据科学家、Keras 贡献者 Dan Becker 授课，这门深度学习课程将探索神经网络模型，以及如何利用它们生成预测。 前几章将加深你对前向传播和反向传播的理解，以及它们在实践中的工作方式。
<br><br>
Keras 库是一个 Python 库，可帮助你开发和评估深度学习模型。 像许多 Python 库一样，它是免费的、开源的，而且非常易于使用。 你将首先创建一个 Keras 模型，并学习如何对其进行编译、拟合和分类，然后再进行预测。 完成这门课程后，你将掌握构建深度神经网络所需的全部工具，并能随着时间推移开始尝试更宽、更深的网络。
<br><br>
<h2>深入探索深度学习</h2>
本课程是多个机器学习和深度学习学习路径的一部分，在您完成入门课程后，为您提供清晰的进阶路径，帮助您在这一领域积累技能和经验，无论您是想完成个人项目，还是朝着机器学习科学家的职业方向迈进。

Supervised Learning with scikit-learn

报名我们的Python深度学习课程，学习使用Keras 2.0进行NLP、图像识别和AI。

Python 深度学习入门

学习神经网络基础，并使用 Python 中的 Keras 2.0 构建深度学习模型。 

将神经网络模型与经典回归模型进行比较

Python 深度学习入门

动手互动练习