深度学习：Python中的卷积神经网络

"Udemy 的深度学习课程——Python中的卷积神经网络" 这门课程是针对深度学习在Python中的应用，特别是卷积神经网络（Convolutional Neural Networks, CNN）的专项训练。由Lazy Programmer Inc.创建，最近更新于2017年5月。课程内容涵盖英语，适合对计算机视觉、数据科学以及机器学习有兴趣的人士。 在本课程中，你将学到以下知识点： 1. **理解卷积**：卷积是CNN的基础，它在图像处理、音频效果和分类中都有重要应用。 2. **卷积在音频效果中的应用**：如何利用卷积实现简单的回声效果。 3. **卷积在图像效果中的应用**：如何通过编程实现高斯模糊和边缘检测。 4. **卷积在图像分类中的作用**：了解卷积如何提升图像分类的准确性。 5. **卷积神经网络（CNN）的架构**：理解并能解释CNN的结构，包括卷积层、池化层、全连接层等。 6. **在Theano中实现CNN**：学习如何使用Theano框架构建CNN模型。 7. **在TensorFlow中实现CNN**：掌握使用TensorFlow进行CNN编程的方法。 8. **计算机视觉挑战**：通过街景房屋数字识别（SVHN）数据集，实践更大、多角度彩色图像的分类任务。 9. **生物学启发**：讨论CNN与动物视觉皮层的相似性。 10. **实验和可视化**：通过实验和可视化来直观理解模型内部的工作原理。 课程要求学员具备以下基础知识： - 安装Python、Numpy、Scipy、Matplotlib、Scikit Learn、Theano和TensorFlow。 - 了解深度学习基础，包括反向传播，以及从Deep Learning in Python part 1学习的内容。 - 熟悉Theano和TensorFlow的神经网络实现，如在Deep Learning part 2中所学。 课程提供所有必要的免费材料，包括代码示例，可在GitHub上找到（/lazyprogrammer/machine_learning_examples 的 cnn_class 目录）。确保定期拉取最新版本的代码。 此课程强调“理解和构建”，而不仅仅是“使用”。学习目标是通过实验和观察，而不是死记硬背，深入理解机器学习模型的工作机制。适合希望深入理解卷积神经网络而非仅仅掌握API使用方法的学员。 请注意，本课程要求学员具有一定的预备知识，包括微积分、线性代数等。