资源 | Intel发布AI免费系列课程3部曲:机器学习基础、深度学习基础以及TensorFlow基础


翻译 | AI科技大本营(公众号ID:rgznai100)

校对 成龙

编辑 | 明明


Intel于近期发布了三门AI系列的免费课程,分别是关于机器学习基础、深度学习基础、TensorFlow基础三个方面。据悉,该系列免费课程主要针对研究生阶段的学生,营长将三门课程概要及链接整理如下。


课程1:机器学习基础


概要


本课程介绍了Intel架构中的机器学习基础知识。涵盖的主题包括:


  • 回顾了机器学习可以解决的问题类型

  • 理解机器学习算法中的各组成模块

  • 学习在机器学习中构建模型的基础知识

  • 探索关键算法


在本课程结束时,学生将了解以下内容:


  • 监督学习算法

  • 机器学习关键概念:如过拟合,正则化和交叉验证

  • 如何识别待解决问题的类型,选择正确的算法,调整参数并验证模型


本次免费课有12周的课程,每周至少需要3个小时才能完成。并且这些课程的练习需要用Python来实现。


课程网址:

https://software.intel.com/en-us/ai-academy/students/kits/machine-learning-501


课程2:深度学习基础


概要


本课程介绍了Intel架构中的深度学习基础知识。深度学习在计算机视觉和自然语言处理方面所实现的优异表现,使其在业界引起了极大关注。


在本课程结束时,学生将对以下内容有一个明确的理解:


  • 深度学习的技术,专业术语和有关数学知识

  • 神经网络基本框架:前馈神经网络,卷积神经网络和循环神经网络

  • 如何适当地构建和训练这些模型

  • 各种深度学习应用

  • 如何使用预先训练好的模型获得最佳结果


本次免费课有12周的课程,每周至少需要3个小时才能完成。


课程网址:

https://software.intel.com/en-us/ai-academy/students/kits/deep-learning-501




课程3:TensorFlow基础


概要


TensorFlow是一个流行的机器学习框架和数据流编程的开源库。在本课程中,您将了解:


  • 用TensorFlow构建模型的基础

  • 机器学习基础知识:如线性回归,损失函数,梯度下降

  • 重要的技术:如标准化、正则化和小批量处理(mini-batching)

  • “核化”以及如何将它们应用于卷积神经网络(CNN)

  • CNN的基本模板以及不同的可调参数

  • TFRecord, queues, coordinators


    在本课程结束时,学生将对以下内容有一个明确的理解:


    • 基础网络结构,卷积核,池化和多分类任务

    • 如何将基础网络扩展到更复杂的网络

    • 通过在现有网络上使用迁移学习来利用它们的优势


    本次免费课有8周的课程,每周至少需要3个小时才能完成。


    课程网址:

    https://software.intel.com/en-us/ai-academy/students/kits/tensor-flow-501


    招聘

    新一年,AI科技大本营的目标更加明确,有更多的想法需要落地,不过目前对于营长来说是“现实跟不上灵魂的脚步”,因为缺人~~


    所以,AI科技大本营要壮大队伍了,现招聘AI记者和资深编译,有意者请将简历投至:gulei@csdn.net,期待你的加入!


    如果你暂时不能加入营长的队伍,也欢迎与营长分享你的精彩文章,投稿邮箱:suiling@csdn.net


    AI科技大本营读者群(计算机视觉、机器学习、深度学习、NLP、Python、AI硬件、AI+金融方向)正在招募中,后台回复:读者群,联系营长,添加营长请备注姓名,研究方向。




    ☟☟☟点击 | 阅读原文 | 查看更多精彩内容

    评论
    添加红包

    请填写红包祝福语或标题

    红包个数最小为10个

    红包金额最低5元

    当前余额3.43前往充值 >
    需支付:10.00
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明:

    1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

    余额充值