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。
〖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)
〖视频截图〗:
免责声明：
1、本站信息来自网络，版权争议与本站无关
2、本站所有主题由该帖子作者发表，该帖子作者与本站享有帖子相关版权
3、其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和本站的同意
4、本帖部分内容转载自其它媒体，但并不代表本站赞同其观点和对其真实性负责
5、用户所发布的一切软件的解密分析文章仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。
6、您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
7、请支持正版软件、得到更好的正版服务。
8、如有侵权请立即告知本站（邮箱：1099252741@qq.com，备用微信：1099252741），本站将及时予与删除
9、本站所发布的一切破解补丁、注册机和注册信息及软件的解密分析文章和视频仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。如果您喜欢该程序，请支持正版软件，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。
