JavaScript玩转机器学习-Tensorflow.js项目实战课程介绍:

市面难寻的JS版人工智能课 抓住时代机遇 未来更多可能.专为前端工程师准备的AI课程来了!课程以Tensorflow.js作为主要框架,通过十几个经典案例、覆盖神经网络和机器学习的理论知识、带你亲手完成图片分类与语音识别等落地项目,帮你理清整个学习体系。轻松入门AI领域,不惧未来挑战。

 

〖课程目录〗:

  • 第1章 课程导学 1 节 | 23分钟
  • 这一章只有一节,也只有一个目的,就是告诉你为何要学本课程,本课程能教你什么,学之前需要哪些前置知识。
    • 视频:1-1 《想要入门AI的同学都应该看一看》课程导学 (22:30)
  • 第2章 机器学习与神经网络简介 6 节 | 42分钟
  • 本章会使用中世纪男子脚长、SIRI 语音识别、相亲等大量生动形象的例子,讲解机器学习和神经网络的理论知识。
    • 视频:2-1 机器学习简介 (16:36)
    • 作业:2-2 聊聊机器学习
    • 视频:2-3 神经网络简介 (12:06)
    • 作业:2-4 聊聊神经网络
    • 视频:2-5 神经网络的训练 (12:35)
    • 作业:2-6 聊聊炼丹
  • 第3章 Tensorflow.js 简介4 节 | 51分钟
  • Tensorflow.js 是本课程的核心框架,本章帮你在实战前熟悉一下手里的“兵器”,将会涉及 Tensorflow.js 的简介、安装方法,以及什么是 Tensor?为何要使用 Tensor 等知识点
    • 视频:3-1 Tensorflow.js 简介 (11:42)
    • 视频:3-2 安装 Tensoflow.js (15:48)
    • 视频:3-3 为何要用 Tensor (22:56)
    • 作业:3-4 聊聊 Tensor
  • 第4章 线性回归 8 节 | 79分钟
  • 本章将会带你开发并训练你人生中第一个神经网络模型,虽然它只有一个神经元,但却是你机器学习之路的起点!
    • 视频:4-1 线性回归任务简介 (06:41)
    • 视频:4-2 准备、可视化训练数据 (10:14)
    • 视频:4-3 定义模型结构:单层单个神经元组成的神经网络 (11:49)
    • 视频:4-4 损失函数:均方误差 (11:17)
    • 作业:4-5 聊聊均方误差
    • 视频:4-6 优化器:随机梯度下降 (17:25)
    • 视频:4-7 训练模型并可视化训练过程 (14:35)
    • 视频:4-8 进行预测 (06:29)
  • 第5章 归一化3 节 | 24分钟
  • 九九归一……,等等,我们不是在打算盘,而是在炼丹(训练模型)!本章将会以身高体重预测作为例子,讲解归一化这个炼丹最佳实践。
    • 视频:5-1 归一化任务简介 (05:43)
    • 视频:5-2 归一化训练数据 (11:51)
    • 视频:5-3 训练、预测、反归一化 (05:27)
  • 第6章 逻辑回归7 节 | 75分钟
  • 这次任务就是开发一个神经网络把平面上的两类点,一刀两断!
    • 视频:6-1 逻辑回归任务简介 (07:17)
    • 视频:6-2 加载二分类数据 (07:13)
    • 视频:6-3 定义模型结构:带有激活函数的单个神经元 (13:47)
    • 视频:6-4 损失函数:对数损失(log loss) (09:45)
    • 视频:6-5 训练模型并可视化训练过程 (06:16)
    • 视频:6-6 进行预测 (07:29)
    • 视频:6-7 (选修)二分类数据集生成函数源码剖析 (22:59)
  • 第7章 多层神经网络4 节 | 35分钟
  • 生活中没有那么多一刀两断的简单问题,面对复杂问题,我们可以开发一个多层神经网络模型配合激活函数,拐着弯挥舞手里的“刀”来切!
    • 视频:7-1 多层神经网络任务简介 (15:06)
    • 视频:7-2 加载 XOR 数据集 (04:30)
    • 视频:7-3 定义模型结构:多层神经网络 (07:47)
    • 视频:7-4 训练模型并预测 (07:20)
  • 第8章 多分类7 节 | 77分钟
  • 本章将会以鸢尾花分类为例,学习使用 softmax 和 交叉熵 两个算法来让神经网络进行多分类
    • 视频:8-1 任务简介、主要步骤、前置条件 (08:14)
    • 视频:8-2 加载iris数据集(训练集与验证集) (09:42)
    • 视频:8-3 定义模型结构:带有softmax的多层神经网络 (07:19)
    • 视频:8-4 训练模型:交叉熵损失函数与准确度度量 (10:57)
    • 视频:8-5 多分类预测方法 (08:06)
    • 视频:8-6 (选修)IRIS数据集生成函数源码剖析 (15:26)
    • 视频:8-7 (选修)IRIS 数据集生成函数源码剖析 (16:31)
  • 第9章 欠拟合与过拟合5 节 | 57分钟
  • 又到了学习炼丹最佳实践的时间了!学完本次任务,你随便瞄一眼训练图像,就能判断是欠拟合还是过拟合了。
    • 视频:9-1 欠拟合与过拟合任务简介 (11:28)
    • 视频:9-2 加载带有噪音的二分类数据集 (14:42)
    • 视频:9-3 使用简单神经网络演示欠拟合 (10:48)
    • 视频:9-4 使用复杂神经网络演示过拟合 (06:23)
    • 视频:9-5 过拟合应对法:早停法、权重衰减、丢弃法 (12:53)
  • 第10章 使用卷积神经网络(CNN)识别手写数字5 节 | 103分钟
  • 本章会先使用大量动画讲解卷积神经网络的理论,然后使用 JS 来构建并训练它!开始构建人生第一个深度学习模型吧!
    • 视频:10-1 使用卷积神经网络识别手写数字任务简介 (06:05)
    • 视频:10-2 加载 MNIST 数据集 (31:53)
    • 视频:10-3 定义模型结构:卷积神经网络 (31:37)
    • 视频:10-4 训练模型 (11:52)
    • 视频:10-5 进行预测 (21:11)
  • 第11章 使用预训练模型进行图片分类3 节 | 36分钟
  • 把别人训练好的卷积神经网络模型直接拿来用!拿来主义者也需要学习哦!
    • 视频:11-1 使用预训练模型进行图片分类任务简介 (05:23)
    • 视频:11-2 加载 MobileNet 模型 (09:05)
    • 视频:11-3 进行预测 (20:34)
  • 第12章 基于迁移学习的图像分类器:商标识别6 节 | 67分钟
  • 本章将会以商标识别为例,讲解如何使用迁移学习来更高效地进行图片分类了,学完本章,你可以照猫画虎开发你画我猜、花草分类、垃圾分类、绘文字猎手等各种游戏和应用了!
    • 视频:12-1 基于迁移学习的图像分类器:商标识别任务简介 (06:18)
    • 视频:12-2 加载商标训练数据并可视化 (16:41)
    • 视频:12-3 定义模型结构:截断模型+双层神经网络 (12:21)
    • 视频:12-4 迁移学习下的模型训练 (13:09)
    • 视频:12-5 迁移学习下的模型预测 (07:12)
    • 视频:12-6 模型的保存和加载 (10:57)
  • 第13章 使用预训练模型进行语音识别3 节 | 33分钟
  • 在浏览器里进行语音识别。
    • 视频:13-1 使用预训练模型进行语音识别任务简介 (04:41)
    • 视频:13-2 加载预训练语音识别模型 (14:23)
    • 视频:13-3 进行语音识别 (13:46)
  • 第14章 基于迁移学习的语音识别器:声控轮播图5 节 | 96分钟
  • 本章将会带你开发一个可以远程声控的轮播图,学完本章,你可以开发自己的简易版 SIRI 语音助手了!
    • 视频:14-1 基于迁移学习的语音识别器:声控轮播图 (05:57)
    • 视频:14-2 在浏览器中收集中文语音训练数据 (23:15)
    • 视频:14-3 语音识别迁移学习的训练和预测 (18:04)
    • 视频:14-4 语音训练数据的保存和加载 (25:32)
    • 视频:14-5 声控轮播图 (22:52)
  • 第15章 Python 与 JavaScript 模型互转4 节 | 73分钟
  • 本章学的都是工作中最实用常用的技术:把 Python 模型转为 JS 模型,就可以部署到浏览器里了。对 JS 模型进行分片、压缩、加速等各种优化转换也是必不可少的工作哦!
    • 视频:15-1 Python 与 JavaScript 模型互转任务简介 (14:56)
    • 视频:15-2 安装 Tensorflow.js Converter (23:18)
    • 视频:15-3 Python 与 JavaScript 模型互转 (19:38)
    • 视频:15-4 JavaScript 模型的互转:分片、量化、加速 (14:36)
  • 第16章 课程总结1 节 | 12分钟
  • 对课程整体进行回顾。
    • 视频:16-1 -回顾与总结 (11:57)
资源下载
下载价格VIP专享
仅限VIP下载升级VIP
客服QQ:1807388100

侵权联系与免责声明 1、本站资源所有言论和图片纯属用户个人意见,与本站立场无关 2、本站所有资源收集于互联网,由用户分享,该帖子作者与独角兽资源站不享有任何版权,如有侵权请联系本站删除 3、本站部分内容转载自其它网站,但并不代表本站赞同其观点和对其真实性负责 4、如本帖侵犯到任何版权问题,请立即告知本站,本站将及时予与删除并致以最深的歉意 如有侵权联系邮箱:1415374178@qq.com

0

评论0

显示验证码
没有账号?注册  忘记密码?