深度学习应用开发
spContent=人工智能（AI）、机器学习的应用开发实践课程，浙江省一流线上课程，教育部-Google公司产学合作协同育人项目支持，Google中国大学合作部TensorFlow教学研讨班讲授课程
人工智能（AI）、机器学习的应用开发实践课程，浙江省一流线上课程，教育部-Google公司产学合作协同育人项目支持，Google中国大学合作部TensorFlow教学研讨班讲授课程
—— 课程团队
课程概述
不干涩地讲深层次理论和算法，也不是纯粹介绍TensorFlow的编程。而是针对大多数潜在学员的特点（有基本的编程能力，对开发人工智能应用感兴趣，学过一些基本概率统计和线性代数，但谈不上有深厚的数学功底和人工智能理论基础），通过针对典型的人工智能应用场景，设计系列针对性案例来引导学习过程。主要案例包括价格预测、手写数字识别、图像识别、文本情感分析（自然语言处理，NLP）、图像自动生成等，在案例讲解过程中深入浅出地介绍相关理论，并会从中讲解TensorBoard可视化、模型的断点续训等实用技巧。
本课程将主要内容根据学习阶段分为四部分：筑基篇、启航篇、进阶篇和扩展篇。筑基篇包括人工智能简介、开发环境搭建和Python开发语言快速入门、TensorFlow编程基础等三讲内容；启航篇从单个神经元的线性回归应用开始，直到完成多层神经网络应用开发，共有四讲内容；进阶篇主要围绕深度网络，从卷积神经网络CNN开始，历经循环神经网络RNN、生成对抗网络GAN等应用开发，涵括迁移学习等内容；扩展篇则包括Keras框架、TensorFlow.js、TensorFlow Lite移动应用开发等高级话题。
授课目标
本课程将全面介绍基于TensorFlow深度学习框架的人工智能应用开发技术。课程不仅会讲解机器学习的基础理论和主流的模型及算法（包括线性回归、神经网络、卷积神经网络、循环神经网络、生成对抗网络等），而且会重点讲解如何基于TensorFlow框架，针对不同的应用场景进行深度学习模型的选择、构建和应用。让学习者能快速具备人工智能问题求解的基本思想和初步的人工智能应用软件开发能力。
课程大纲
课程导学
开篇语
课程安排
第一讲 人工智能导论
人工智能 未来已来？
人工智能 未来已来！
人工智能发展史 跌宕起伏的60+年
第二讲 深度学习简介及开发环境搭建
人工智能、机器学习与深度学习
深度神经网路与深度学习框架
Anaconda和TensorFlow开发环境搭建
第三讲（根据基础选修） 工欲善其事必先利其器：简明Python基础
引言、输出语句Print、变量、数据类型和基本运算
字符串、列表、元组、集合、字典、格式化输出和类型转换
程序结构与控制语句
测试1：Python基础测试
第四讲 磨刀不误砍柴工：TensorFlow 编程基础
TensorFlow的基础概念
TensorFlow的基本运算
TensorBoard可视化初步
（新）TensorFlow 2.0 编程基础
测试2：Tensorflow编程基础单元测试
第五讲 单变量线性回归：TesnsorFlow实战
监督式机器学习的基本术语
线性回归问题TensorFlow实战：初步
线性回归问题TensorFlow实战：进阶
（新）线性回归问题：TensorFlow 2 实践
作业2：通过生成人工数据集合，基于TensorFlow实现y=3.1234*x+2.98线性回归
第六讲 多元线性回归：波士顿房价预测问题TesnsorFlow实战
波士顿房价预测：数据与问题分析
机器学习中的线性代数基础（根据基础选修）
第一个版本的模型构建
后续版本的持续改进
（新）波士顿房价预测问题：TensorFlow 2 实践
作业3：波士顿房价预测线性回归实践
第七讲 MNIST手写数字识别：分类应用入门
MNIST手写数字识别数据解读
分类模型构建与训练
（新）MNIST手写数字识别：TensorFlow 2.0 实践
作业4：FashionMNIST图像识别问题的神经元模型实践
第八讲 MNIST手写数字识别进阶：多层神经网络与应用
单隐藏层神经网络构建与应用
多层神经网络建模与模型的保存还原
TensorBoard进阶与TensorFlow游乐场
（新）MNIST手写数字识别进阶：TensorFlow 2.0实现
第九讲 泰坦尼克号旅客生存预测：Keras应用实践
泰坦尼克号旅客生存预测案例分析与数据处理
Keras建模与应用
Keras模型训练过程中数据存储与模型恢复
第十讲 图像识别问题：卷积神经网络与应用
从全连接神经网络到卷积神经网络：解决参数太多的问题
卷积神经网络的基本结构
TensorFlow对卷积神经网络的支持
CIFAR-10图像分类案例的TensorFlow卷积神经网络实现
（新）CIFAR10图像分类:TensorFlow2实现
作业6：CIFAR10案例卷积神经网络实践
第十一讲 Deep Dream：理解深度神经网络结构及应用
Deep Dream：计算机生成梦幻图像
经典深度神经网络与数据增强
Inception模型文件导入与卷积层分析
Deep Dream图像生成
（新）Deep Dream图像生成：TensorFlow2实现
作业7：Deep Dream图像生成的实践
第十二讲 电影评论情感分析：自然语言处理应用实践
电影评论情感分析案例与IMDB数据集
自然语言处理基础
电影评论情感分析数据处理及建模
循环神经网络及其应用
第十三讲 猫狗大战：迁移学习及应用
猫狗大战案例介绍
tf.data.Dataset数据集
基于VGG16的迁移学习模型构建与应用
TFRecord文件与应用
第十七讲（终章 提前发布）课程大作业
课程大作业
往期学员作品展示
往期学员基于大作业的竞赛作品
课程大作业
第十四讲（高阶选修） 生成式对抗网络原理及Tensorflow实现
生成式对抗网络（GAN）的简介
利用GAN生成Fashion-MNIST图像
利用CGAN生成Fashion-MNIST图像
第十五讲（高阶选修） 鸢尾花品种识别：TensorFlow.js应用开发
TensorFlow.js介绍和第一个web程序
IDE和第一个TensorFlow.js程序
TensorFlow.js的核心概念和API介绍
鸢尾花分类案例构建
第十六讲（高阶选修） 花卉识别App：TensorFlow Lite与移动应用开发
TensorFlow Lite介绍和优势特点
花卉识别：TFLite模型重训练和模型转换
花卉识别：安卓App运行TFLite
预备知识
有基本的编程能力，学过一些基本概率统计和线性代数
不需要有深厚的数学功底和人工智能理论基础
证书要求
为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。
电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。
完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。
认证证书申请注意事项：
1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。
2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。
参考资料
书名：深度学习应用开发——TensorFlow实践
作者：吴明晖 主编； 李卓蓉、金苍宏 编著
书号：978-7-04-057656-6
出版社：高等教育出版社
定价：54元
出版时间：2022年5月
常见问题
Q : 这门课程对数学要求是否很高？
A : 本门课程偏应用开发，目的是在了解实现原理的基础上会建模、应用。需要了解一些基本的求导数、矩阵点乘、叉乘的概念，但不用做复杂的公式求解和推导。
Q : 这门课对编程要求是否很高？
A : 既然叫应用开发，当然是要编程实现的。本门课程采用Python编程，但只需要基本的编程技能，因此谈不上对编程技巧有太高要求。对于学过C语言或者Java语言，但没有学过Python的学员，还提供了一讲Python快速入门的章节，相信花点功夫就能跟上的。
Q : 这门课对开发机器的要求是否很高，没有GPU的一般电脑能做开发吗？
A : 作为教学案例，所设计的项目对电脑的要求谈不上高，普通配置的笔记本电脑都能顺利运行。只有到后面迁移学习需要训练深度神经网络时，如果有GPU会更快。总体说来是不用担心电脑配置问题影响学习的。
Q : 这门课采用的TensorFlow版本是多少？
A : 本课程采用的TensorFlow版本包括1.x和2.0。其实课程教学和版本关系不大，主要通过教案学习深度学习的思想。如果大家想提前安装环境，可以通过Anaconda安装2个不同TensorFlow版本的虚拟环境，Anaconda(Python3.6)+TensorFlow1.2和2.0。
相关知识
深度学习农作物病虫害智能识别APP开发教程
深度学习及其应用
神经网络与深度学习
深度学习基于python+TensorFlow+Django的花朵识别系统
深度学习花卉识别：Python数据集解析
基于深度学习的花卉识别研究
基于深度学习的农作物病虫害识别系统
用于深度学习的花卉数据集
深度学习YOLOv7实现的农作物病虫害识别与防治系统教程
深度学习作物病虫害识别系统：源码、教程与论文
网址: 深度学习应用开发 https://m.huajiangbk.com/newsview546003.html
| 上一篇: 移动应用微信登录开发 |
下一篇: 如何将WEB网页打包为APP？ |
