         用于电信行业的深度学习（使用Python）培训

介绍

人工智能和机器学习基础

了解深度学习

深度学习基本概念概述
区分机器学习和深度学习
深度学习应用概述
神经网络概述

什么是神经网络？
神经网络与回归模型
了解数学基础和学习机制
构造人工神经网络
了解神经节点和连接
处理神经元、层、输入和输出数据
了解单层感知器
监督学习与无监督学习之间的差异
学习前馈和反馈神经网络
了解正向传播和反向传播
了解长期短期记忆（LSTM）
在实践中探索递归神经网络
在实践中探索卷积神经网络
改善神经网络的学习方式
电信行业中使用的深度学习技术概述

神经网络
自然语言处理
图像识别
语音识别
情绪分析
探索电信行业的深度学习案例研究

通过实时网络流量分析优化路由和服务质量
预测网络和设备故障、中断、需求激增等
实时分析呼叫以识别欺诈行为
分析客户行为以识别对新产品和服务的需求
处理大量SMS消息以获取见解
支持电话的语音识别
实时配置SDN和虚拟网络
了解电信深度学习的好处

探索适用于Python的各种深度学习库

TensorFlow
Keras
使用TensorFlow设置Python进行深度学习

安装TensorFlow Python API
测试TensorFlow安装
设置TensorFlow进行开发
训练您的第一个TensorFlow神经网络模型
使用Keras设置Python进行深度学习

使用Keras构建简单的深度学习模型

创建Keras模型
了解您的数据
指定您的深度学习模型
编译您的模型
拟合您的模型
处理您的分类数据
使用分类模型
使用您的模型
使用TensorFlow进行电信业深度学习

准备数据
下载数据
准备训练数据
准备测试数据
缩放输入
使用占位符和变量
指定网络架构
使用成本函数
使用优化器
使用初始化器
拟合神经网络
建立图表
推断（Inference）
损失（Loss）
训练
训练模型
图（graph）
会话（Session）
训练循环（Train Loop）
评估模型
建立评估图
评估输出评估
大规模培训模型
使用TensorBoard可视化和评估模型
动手练习：使用Python构建深度学习的客户流失预测模型

扩展公司的能力

在云中开发模型
使用GPU加速深度学习
将深度学习神经网络应用于计算机视觉、语音识别、文本分析