选择合适的激活函数_Python零基础机器学习与深度学习-CSDN在线视频培训

Python入门
- 为什么学Python
- 了解编程
- 安装Python
- 安装Python开发工具
- 第一个Python程序
- 变量
- 数值类型
- 字符串
- 运算符
- 分支结构
- 循环结构
- 项目：图书管理
Python初级
- 再谈字符串--转义字符
- 再谈字符串--格式化
- 再谈字符串--序列
- 再谈字符串--常用操作
- 再谈运算符
- 数据结构--元组和列表_1
- 数据结构--元组和列表_2
- 数据结构--元组和列表_3
- 数据结构--字典_1
- 数据结构--字典_2
- 再谈控制结构_1
- 再谈控制结构_2
- 项目：图书管理
Python进阶
- 函数_1
- 函数_2
- 函数_3
- 项目：图书管理
- 面向对象_1
- 面向对象_2
- 面向对象_3
- 异常处理
- 模块和包
- 常见模块_1
- 常见模块_2
- 项目：图书管理
文件操作
- 文件操作概述
- 一般化文件操作
- 项目：图书管理_分析与设计
- 项目：图书管理_实现
数据库操作
- 数据库操作概述
- SQL语言初学_1
- SQL语言初学_2
- SQL语言初学--DQL_1
- SQL语言初学--DQL_2
- Python使用MySQL
- 项目：图书管理
初识机器学习
- 了解人工智能
- 了解机器学习 - 1
- 了解机器学习 - 2
- 了解机器学习 - 3
- 安装Python
- 安装开发环境和必要的库
- 第一个应用：鸢尾花分类 - 1
- 第一个应用：鸢尾花分类 - 2
- 第一个应用：鸢尾花分类 - 3
监督学习 - 准备
- 了解监督学习
- 分类与回归
- 泛化、过拟合与欠拟合
- 监督学习算法 - 准备
监督学习算法 - k近邻算法
- k近邻算法应用于分类 - 1
- k近邻算法应用于分类 - 2
- k近邻算法应用于回归 - 1
- k近邻算法应用于回归 - 2
- k近邻算法小结
监督学习算法 - 线性模型（回归）
- 用于回归的线性模型
- 普通最小二乘法（OLS）
- 岭回归（Ridge）
- 套索回归（Lasso）
- 弹性网络回归（ElasticNet）
监督学习算法 - 线性模型（分类）
- 用于分类的线性模型（二分类） - 1
- 用于分类的线性模型（二分类） - 2
- 用于分类的线性模型（多分类）
- 线性模型总结
监督学习算法 - 朴素贝叶斯分类器
- 了解朴素贝叶斯算法
- 贝努利朴素贝叶斯
- 高斯朴素贝叶斯
- 多项式朴素贝叶斯
- 朴素贝叶斯案例
监督学习算法 - 决策树
- 了解决策树
- 构造决策树
- 控制决策树的复杂度
- 算法应用
监督学习算法 - 决策树集成
- 了解集成学习
- 随机森林 - 1
- 随机森林 - 2
- 梯度提升树 - 1
- 梯度提升树 - 2
监督学习算法 - 核支持向量机
- 了解支持向量机 - 1
- 了解支持向量机 - 2
- 线性模型与非线性特征
- 核技巧与调参 - 1
- 核技巧与调参 - 2
- SVM预处理数据
- 算法小结
监督学习算法 - 神经网络
- 神经网络原理
- 激活函数
- 神经网络算法参数、属性和方法
- 神经网络调参 - 1
- 神经网络调参 - 2
- 实例：手写识别 - 1
- 实例：手写识别 - 2
- 算法小结
监督学习 - 快速总结
- 快速总结
数据预处理与缩放
- 了解数据预处理与缩放
- StandardScaler
- MinMaxScaler
- RobustScaler
- Normalizer
- 通过数据预处理提高模型准确率
无监督学习 - 准备
- 了解无监督学习
无监督学习 - 主成分分析
- 了解主成分分析
- 数据降维在可视化中的应用 - 1
- 数据降维在可视化中的应用 - 2
- 特征提取 - 1
- 特征提取 - 2
- 特征提取 - 3
无监督学习 - 非负矩阵分解与流形学习
- 非负矩阵分解
- 流形学习
无监督学习 - k均值聚类
- 聚类
- K-Means聚类
- K-Means聚类实践 - 1
- K-Means聚类实践 - 2
无监督学习 - 凝聚聚类
- 了解凝聚聚类
- 凝聚聚类实例
无监督学习 - 密度聚类
- 了解密度聚类
- 密度聚类实例
无监督学习 - 聚类算法的评估
- 用真实值评估聚类
- 无真实值评估聚类
无监督学习 - 快速总结
- 快速总结
数据表示与特征工程
- 数据表达 - 1
- 数据表达 - 2
- 数据升维 - 1
- 数据升维 - 2
- 自动化特征选择 - 1
- 自动化特征选择 - 2
- 自动化特征选择 - 3
模型评估 - 交叉验证
- 交叉验证
- 分层k折交叉验证和扩展策略 - 1
- 分层k折交叉验证和扩展策略 - 2
模型评估 - 网格搜索
- 简单网格搜索
- 参数过拟合的风险与验证集
- 带交叉验证的网格搜索 - 1
- 带交叉验证的网格搜索 - 2
- 带交叉验证的网格搜索 - 3
模型评估 - 二分类指标
- 不平衡数据集
- 混淆矩阵 - 1
- 混淆矩阵 - 2
- 不确定性评估
- 准确率-召回率曲线 - 1
- 准确率-召回率曲线 - 2
- 观测者工作特征（ROC）与 AUC
模型评估 - 多分类与回归指标
- 多分类与回归指标
- 在模型选择中使用评估指标
建立算法的管道模型
- 建立算法的管道模型 - 1
- 建立算法的管道模型 - 2
- 建立算法的管道模型 - 3
- 建立算法的管道模型 - 4
- 建立算法的管道模型 - 5
泰坦尼克号生存预测
- 第1部分 - 1
- 第1部分 - 2
- 第2部分 - 1
- 第2部分 - 2
初探深度学习
- 了解人工智能
- 了解深度学习 - 1
- 了解深度学习 - 2
- 安装Python
- 安装开发环境和必要的库
- 第一个应用：识别手写数字 - 1
- 第一个应用：识别手写数字 - 2
神经网络基础 - 数据表示
- 神经网络的数据表示 - 1
- 神经网络的数据表示 - 2
神经网络基础 - 张量运算
- 神经网络的齿轮：张量运算 - 1
- 神经网络的齿轮：张量运算 - 2
神经网络的基础 - 了解神经网络
- 了解神经网络 - 1
- 了解神经网络 - 2
神经网络基础 - 核心算法
- 前向传播算法
- 梯度下降算法 - 1
- 梯度下降算法 - 2
- 反向传播算法
- 回顾第一个例子
神经网络基础 - 激活函数
- 了解激活函数
- Sigmoid函数
- 双曲正切函数
- ReLU函数
- Softmax函数
- 选择合适的激活函数
神经网络基础 - 损失函数
- 了解损失函数
- 回归损失函数
- 分类损失函数
神经网络基础 - 超参数
- 学习率
- 动量
Keras深度学习框架
- 了解Keras深度学习框架
- 使用Keras搭建一个神经网络
- 全连接层
- 模型编译参数：Optimizer
- 模型编译参数：Loss
- 模型编译参数：Metrics
神经网络入门案例
- 电影评论分类（二分类问题）- 1
- 电影评论分类（二分类问题）- 2
- 电影评论分类（二分类问题）- 3
- 电影评论分类（二分类问题）- 4
- 新闻分类（多分类问题）- 1
- 新闻分类（多分类问题）- 2
- 预测房价（回归问题）- 1
- 预测房价（回归问题）- 2
计算机视觉 - 卷积神经网络
- 卷积神经网络的由来
- 初识卷积神经网络 - 1
- 初识卷积神经网络 - 2
- 初识卷积神经网络 - 3
- 卷积操作与计算 - 1
- 卷积操作与计算 - 2
- 池化操作与计算
- 第一个卷积神经网络示例 - 1
- 第一个卷积神经网络示例 - 2
计算机视觉 - 卷积神经网络分解
- 卷积层
- 池化层
- 全连接层
计算机视觉 - 卷积神经网络的训练
- 误差反向传播与参数更新 - 1
- 误差反向传播与参数更新 - 2
计算机视觉 - 案例：猫狗分类
- 案例：猫狗分类 - 1
- 案例：猫狗分类 - 2
- 案例：猫狗分类 - 3
计算机视觉 - 使用预训练的卷积神经网络
- 了解预训练网络
- 特征提取 - 1
- 特征提取 - 2
- 特征提取 - 3
- 微调模型
计算机视觉 - 卷积神经网络的可视化
- 中间激活可视化 - 1
- 中间激活可视化 - 2
- 类激活热力图 - 1
- 类激活热力图 - 2
深度学习与序列
- 深度学习与序列数据
- 处理文本数据 - 1
- 处理文本数据 - 2
- 处理文本数据 - 3
- 处理文本数据 - 4
- 处理文本数据 - 5
- 案例：整合从原始文本到词嵌入 - 1
- 案例：整合从原始文本到词嵌入 - 2
- 案例：整合从原始文本到词嵌入 - 3
- 循环神经网络 - 1
- 循环神经网络 - 2
- LSTM - 1
- LSTM - 2
- GRU
生成式深度学习 - 了解生成式深度学习
- 了解生成式深度学习
生成式深度学习 - 生成式循环网络
- 生成式循环网络
- 使用 LSTM 生成古诗 - 1
- 使用 LSTM 生成古诗 - 2
- 使用 LSTM 生成古诗 - 3
- 使用 LSTM 生成古诗 - 4
- 使用 LSTM 生成古诗 - 5
生成式深度学习 - 神经风格迁移
- 神经风格迁移
- 实现神经风格迁移 - 1
- 实现神经风格迁移 - 2
- 实现神经风格迁移 - 3
- 实现神经风格迁移 - 4
生成式深度学习 - 变分自编码器生成图像
- 变分自编码器生成图像
- 实现变分自编码器生成图像 - 1
- 实现变分自编码器生成图像 - 2
- 实现变分自编码器生成图像 - 3
生成式深度学习 - 生成式对抗网络
- 生成式对抗网络 - 1
- 生成式对抗网络 - 2
- 生成式对抗网络 - 3
- 生成式对抗网络 - 4
- 生成式对抗网络 - 5

课时介绍

选择合适的激活函数

课程介绍

【开发课程目的】
随着人工智能时代到来，人们的工作、生活和学习方式将发生颠覆性的变化。巨变中，传统行业或将改变、或将消失，同时也会有大量人工智能相关岗位涌现出来。Python作为人工智能产品开发的首选语言，自然成为需求热点，掌握Python编程技能已成为大势所趋。因此，我们设计开发了人工智能编程系列课程：
第一篇：Python编程基础
第二篇：Python数据分析
第三篇：Python机器学习
第四篇：Python深度学习

【零基础机器学习与深度学习课特色】
1、基础篇课程设计考虑后续发展，为数据分析方向、机器学习方向打下坚实基础
2、从设计到实现，讲解不放过每一行代码，帮助学员快速形成编程能力
3、机器学习篇课程内容全面，包括13种监督学习模型、6种无监督学习模型、8种数据预处理与特征工程技术、10种模型调优技术与评估指标
4、机器学习课程包括鸢尾花分类、手写数字识别、人脸特征提取与重建、泰坦尼克号生存预测等十几个应用案例
5、深度学习篇课程包括神经网络基础、计算机视觉、序列、生成式深度学习4个单元，涉及密集网络、卷积网络、循环网络和对抗网络等
6、深度学习课程包括手写数字识别、情感分析、猫狗分类、诗词创作、生成艺术风格照片等十几个应用案例

【学习目标】

完成从小白到胜任Python机器学习或深度学习岗位这个从0到1的蜕变。

购课的学员请发站内消息领取课程相关代码、课件