了解TensorFlow 2.0和Keras在Python和R中的深度学习并构建神经网络
深入了解人工神经网络(ANN)和深度学习
了解Keras和Tensorflow库的用法
了解适用人工神经网络(ANN)的业务场景
使用Python和R构建人工神经网络(ANN)
使用人工神经网络(ANN)进行预测
完成本课程后，您将能够：
确定可以使用神经网络模型解决的业务问题。
对高级神经网络概念有清晰的了解，例如梯度下降，正向和反向传播等。
使用Keras和Tensorflow库在Python和R中创建神经网络模型，并分析其结果。
自信地练习，讨论和理解深度学习概念
本课程涵盖了使用神经网络创建预测模型应采取的所有步骤。
大多数课程仅着眼于如何进行分析的教学，但我们相信，对概念有深刻的理论理解可以使我们创建一个好的模型。在进行分析之后，人们应该能够判断模型的优劣并解释结果，从而真正能够为企业提供帮助。
本课程涵盖什么内容:
第1部分-Python和R基础
这部分让您开始使用Python。
这部分将帮助您在系统上设置python和Jupyter环境，并将教您如何在Python中执行一些基本操作。我们将了解Numpy，Pandas和Seaborn等不同库的重要性。
第2部分-理论概念
本部分将使您对神经网络中涉及的概念有扎实的理解。
在本节中，您将学习有关单个单元或感知器以及如何堆叠感知器以创建网络体系结构的信息。设置好体系结构后，我们将了解梯度下降算法以查找函数的最小值，并了解如何使用该函数来优化我们的网络模型。
第3部分-在Python和R中创建回归和分类ANN模型
在这一部分中，您将学习如何在Python中创建ANN模型。
我们将通过使用顺序API创建ANN模型来解决分类问题来开始本节。我们学习如何定义网络体系结构，配置模型和训练模型。然后，我们评估经过训练的模型的性能，并使用它来预测新数据。我们还解决了回归问题，在该问题中我们试图预测某个位置的房价。我们还将介绍如何使用功能性API创建复杂的ANN架构。最后，我们学习如何保存和还原模型。
我们还了解这部分库(例如Keras和TensorFlow)的重要性。
第4部分-数据预处理
在这一部分中，您将学习为准备分析数据所需采取的操作，这些步骤对于创建有意义的数据非常重要。
在本节中，我们将从决策树的基本理论入手，然后介绍数据预处理主题，例如 缺失值插补，变量转换和Test-Train拆分。
在本课程结束时，您对使用Python创建神经网络模型的信心将会大大提高。您将对如何使用ANN创建预测模型和解决业务问题有透彻的了解。
总目录(10时51分)
简介
设置Python和Jupyter Notebook
设置R Studio和R速成班
单细胞-感知器和乙状神经元
神经网络-堆叠单元以创建网络
重要概念：面试常见问题
标准模型参数
Tensorflow和Keras
分类问题的数据集
Python-建立和训练模型
R-建立和训练模型
Python-回归问题和功能性API
R-回归问题和功能性API
Python-保存和还原模型
R-保存和还原模型
Python-超参数调整
R-超参数调整
附加：数据预处理
Test-train 拆分
