Ai-edu

5.团队流程

正在初始化搜索引擎

Microsoft/ai-edu

Ai-edu
基础教程
实践案例
最新动态
关于我们

Ai-edu

Microsoft/ai-edu

Ai-edu
基础教程
基础教程
- 本页介绍
- 神经网络基本原理
  神经网络基本原理
  - 本课介绍
  - 第一步、基本知识
    第一步、基本知识
    
    00 前言
    
    01 概论与基本概念
    
    01.0 人工智能发展简史
    
    01.2 人工智能的定义
    
    01.2 范式的演化
    
    01.3 神经网络的基本工作原理
    
    02.0 反向传播与梯度下降
    
    02.1 线性反向传播
    
    02.2 非线性反向传播
    
    02.3 梯度下降
    
    03.0 损失函数
    
    03.1 均方差损失函数
    
    03.2 交叉熵损失函数
  - 第二步、线性回归
    第二步、线性回归
    
    04 线性回归
    
    04.0 单变量线性回归
    
    04.1 最小二乘法
    
    04.2 梯度下降法
    
    04.3 神经网络法
    
    04.4 多样本计算
    
    04.5 梯度下降的三种形式
    
    05.0 多变量线性回归
    
    05.1 正规方程法
    
    05.2 神经网络法
    
    05.3 样本特征数据标准化
    
    05.4 还原参数值
    
    05.5 正确的推理方法
    
    05.6 标准化标签值
  - 第三步、线性分类
    第三步、线性分类
    
    06 线性分类
    
    06. 线性二分类
    
    06.1 二分类函数
    
    06.2 线性二分类实现
    
    06.3 线性二分类的工作原理
    
    06.4 线性二分类结果可视化
    
    06.5 实现逻辑与或非门
    
    06.6 用双曲正切函数分类
    
    07.0 线性多分类
    
    07.1 多分类函数
    
    07.2 线性多分类实现
    
    07.3 线性多分类的工作原理
    
    07.4 线性多分类结果可视化
  - 第四步、非线性回归
    第四步、非线性回归
    
    08 非线性回归
    
    08.0 激活函数
    
    08.1 挤压型激活函数
    
    08.2 半线性激活函数
    
    09.0 非线性回归
    
    09.1 多项式回归法拟合正弦曲线
    
    09.2 多项式回归法拟合复合函数曲线
    
    09.3 验证与测试
    
    09.4 神经网络非线性回归的实现
    
    09.5 曲线拟合
    
    09.6 非线性回归的工作原理
    
    09.7 参数调优初步
  - 第五步、非线性分类
    第五步、非线性分类
    
    10 非线性分类
    
    10.0 非线性二分类
    
    10.1 为什么必须用双层神经网络
    
    10.2 非线性二分类实现
    
    10.3 实现逻辑异或门
    
    10.4 逻辑异或门的工作原理
    
    10.5 实现双弧形二分类
    
    10.6 双弧形二分类的工作原理
    
    11.0 非线性多分类
    
    11.1 非线性多分类实现
    
    11.2 非线性多分类的工作原理
    
    11.3 分类样本不平衡问题
    
    12.0 多变量非线性分类
    
    12.1 三层神经网络的实现
    
    12.2 梯度检查
    
    12.3 学习率与批大小
  - 第六步、模型部署
    第六步、模型部署
    
    13 模型的推理与部署
    
    13.0 手工测试训练效果
    
    13.1 模型文件概述
    
    13.2 ONNX模型文件
    
    13.3 Windows中模型的部署
  - 第七步、深度神经网络
    第七步、深度神经网络
    
    14 深度神经网络
    
    14.0 搭建深度神经网络框架
    
    14.1 回归任务功能测试
    
    14.2 回归任务真实案例
    
    14.3 二分类任务功能测试
    
    14.4 二分类任务真实案例
    
    14.5 多分类任务功能测试
    
    14.6多分类任务真实案例
    
    15.0 网络优化
    
    15.1 权重矩阵初始化
    
    15.2 梯度下降优化算法
    
    15.3 自适应学习率算法
    
    15.4 算法效果比较
    
    15.5 批量归一化的原理
    
    15.6 批量归一化的实现
    
    16.0 正则化
    
    16.1 偏差与方差
    
    16.2 L2正则
    
    16.3 L1正则
    
    16.4 早停法
    
    16.5 丢弃法
    
    16.6 数据扩展
    
    16.7 集成学习
  - 第八步、卷积神经网络
    第八步、卷积神经网络
    
    17 卷积神经网络
    
    17.0 卷积神经网络原理
    
    17.1 卷积的前向计算原理
    
    17.2 卷积前向计算代码实现
    
    17.3 卷积的反向传播原理
    
    17.4 卷积反向传播代码实现
    
    17.5 池化的前向计算与反向传播
    
    18.0 经典卷积神经网络模型
    
    18.1 实现颜色分类
    
    18.2 实现几何图形分类
    
    18.3 实现几何图形及颜色分类
    
    18.4 MNIST分类
    
    18.5 Fashion-MNIST分类
    
    18.6 Cifar-10分类
  - 第九步、循环神经网络
    第九步、循环神经网络
    
    19 循环神经网络
    
    19.0 普通循环神经网络
    
    19.1 两个时间步的循环神经网络
    
    19.2 四个时间步的循环神经网络
    
    19.3 通用的循环神经网络模型
    
    19.4 空气质量预测
    
    19.5 不定长时序的循环神经网络
    
    19.6 深度循环神经网络
    
    19.7 双向循环神经网络
    
    20.0 高级循环神经网络
    
    20.1 LSTM基本原理
    
    20.2 LSTM代码实现
    
    20.3 GRU基本原理
    
    20.4 序列到序列
- 现代软件工程
  现代软件工程
  - 本课介绍
  - 一、架构之路
    一、架构之路
    
    1.封面
  - 二、概论
    二、概论
    
    1.课程介绍
    
    2.木头与软件工程的故事
    
    3.故事分析
    
    4.什么是软件工程
    
    5.软件工程领域知识
    
    6.软件工程在微软
  - 三、用户与需求
    三、用户与需求
    
    1.个人能力
    
    2.木头与微软面试的故事
    
    3.故事分析
    
    4.微软的软件工程师
    
    5.团队流程
    
    6.木头与团队合作的故事
    
    7.故事分析
- 人工智能系统
  人工智能系统
实践案例
实践案例
最新动态
关于我们
关于我们
- About
- License

5.团队流程

上一页 4.微软的软件工程师

下一页 6.木头与团队合作的故事

Made with Material for MkDocs