         用于電信行業的深度學習（使用Python）培訓

介紹

人工智能和機器學習基礎

了解深度學習

深度學習基本概念概述
區分機器學習和深度學習
深度學習應用概述
神經網絡概述

什么是神經網絡？
神經網絡與回歸模型
了解數學基礎和學習機制
構造人工神經網絡
了解神經節點和連接
處理神經元、層、輸入和輸出數據
了解單層感知器
監督學習與無監督學習之間的差異
學習前饋和反饋神經網絡
了解正向傳播和反向傳播
了解長期短期記憶（LSTM）
在實踐中探索遞歸神經網絡
在實踐中探索卷積神經網絡
改善神經網絡的學習方式
電信行業中使用的深度學習技術概述

神經網絡
自然語言處理
圖像識別
語音識別
情緒分析
探索電信行業的深度學習案例研究

通過實時網絡流量分析優化路由和服務質量
預測網絡和設備故障、中斷、需求激增等
實時分析呼叫以識別欺詐行為
分析客戶行為以識別對新產品和服務的需求
處理大量SMS消息以獲取見解
支持電話的語音識別
實時配置SDN和虛擬網絡
了解電信深度學習的好處

探索適用于Python的各種深度學習庫

TensorFlow
Keras
使用TensorFlow設置Python進行深度學習

安裝TensorFlow Python API
測試TensorFlow安裝
設置TensorFlow進行開發
訓練您的第一個TensorFlow神經網絡模型
使用Keras設置Python進行深度學習

使用Keras構建簡單的深度學習模型

創建Keras模型
了解您的數據
指定您的深度學習模型
編譯您的模型
擬合您的模型
處理您的分類數據
使用分類模型
使用您的模型
使用TensorFlow進行電信業深度學習

準備數據
下載數據
準備訓練數據
準備測試數據
縮放輸入
使用占位符和變量
指定網絡架構
使用成本函數
使用優化器
使用初始化器
擬合神經網絡
建立圖表
推斷（Inference）
損失（Loss）
訓練
訓練模型
圖（graph）
會話（Session）
訓練循環（Train Loop）
評估模型
建立評估圖
評估輸出評估
大規模培訓模型
使用TensorBoard可視化和評估模型
動手練習：使用Python構建深度學習的客戶流失預測模型

擴展公司的能力

在云中開發模型
使用GPU加速深度學習
將深度學習神經網絡應用于計算機視覺、語音識別、文本分析