課程大綱：

Python 神經網絡編程培訓

1 預測器與多分類器

2 矩陣運算

3 誤差的反向傳播

4 Python 的基礎教程

5 手寫數(shù)字識別

6 神經網絡的概念

7 信號的正向反饋

8 權重的優(yōu)化方法

9 使用 Python 手寫神經網絡結構

10 神經網絡結構優(yōu)化

1
預測器與分類器

1.人工智能的概念

2.預測機

3.分類機

4.模型的訓練

2
多分類器與神經網絡

1.線性分類器的局限

2.激活函數(shù)的意義

3.神經網絡的起源

4.神經網絡的結構

5.模型訓練的本質

6.全連接的意義

3
神經網絡的正向傳播

1.信號的傳播

2.矩陣的乘法

3.矩陣在神經網絡中的應用

4.信號在多層神經網絡中的傳播

4
誤差的反向傳播

1.神經網絡的權重學習

2.反向傳播的意義

3.輸出誤差的分割

4.反向傳播的全過程

5
神經網絡的學習

1.暴力破解權重的不可行性

2.梯度下降法

3.梯度下降的步長

4.梯度的計算

5.梯度下降在神經網絡中的應用

6
參數(shù)的選擇

1.權重更新的范例

2.激活函數(shù)的選擇

3.初始化權重的方法

4.目標值的使用范圍

7
簡單的 Python 入門

1.變量的定義

2.數(shù)組的定義

3.函數(shù)的定義

4.類的定義

8
使用 Python 制作神經網絡

1.神經網絡類的框架

2.神經的初始化

3.神經網絡的查詢

4.神經網絡的訓練

9
手寫數(shù)字識別

1.MNIST數(shù)據(jù)的介紹

2.數(shù)據(jù)的預處理

3.神經網絡模型的訓練

4.神經網絡模型的預測

5.神經網絡模型的優(yōu)化

實驗 10
神經網絡的內部原理

1.神經網絡的黑盒子

2.神經網絡的逆運算

3.神經網絡的向后查詢

4.擴大數(shù)據(jù)集的方法