- 第1章 课程导学 试看
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。
共 1 节 (23分钟) 收起列表
- 1-1 《想要入门AI的同学都应该看一看》课程导学 (22:30)试看
- 第2章 机器学习与神经网络简介 试看
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。
共 3 节 (42分钟) 收起列表
- 2-1 机器学习简介 (16:36)试看
- 2-2 神经网络简介 (12:06)
- 2-3 神经网络的训练 (12:35)
- 第3章 Tensorflow.js 简介
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
共 3 节 (51分钟) 收起列表
- 3-1 Tensorflow.js 简介 (11:42)
- 3-2 安装 Tensoflow.js (15:48)
- 3-3 为何要用 Tensor (22:56)
- 第4章 线性回归 试看
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！
共 7 节 (79分钟) 收起列表
- 4-1 线性回归任务简介 (06:41)
- 4-2 准备、可视化训练数据 (10:14)试看
- 4-3 定义模型结构：单层单个神经元组成的神经网络 (11:49)
- 4-4 损失函数：均方误差 (11:17)
- 4-5 优化器：随机梯度下降 (17:25)
- 4-6 训练模型并可视化训练过程 (14:35)
- 4-7 进行预测 (06:29)
- 第5章 归一化
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。
共 3 节 (24分钟) 收起列表
- 5-1 归一化任务简介 (05:43)
- 5-2 归一化训练数据 (11:51)
- 5-3 训练、预测、反归一化 (05:27)
- 第6章 逻辑回归
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！
共 7 节 (75分钟) 收起列表
- 6-1 逻辑回归任务简介 (07:17)
- 6-2 加载二分类数据 (07:13)
- 6-3 定义模型结构：带有激活函数的单个神经元 (13:47)
- 6-4 损失函数：对数损失（log loss） (09:45)
- 6-5 训练模型并可视化训练过程 (06:16)
- 6-6 进行预测 (07:29)
- 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
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！
共 4 节 (35分钟) 收起列表
- 7-1 多层神经网络任务简介 (15:06)
- 7-2 加载 XOR 数据集 (04:30)
- 7-3 定义模型结构：多层神经网络 (07:47)
- 7-4 训练模型并预测 (07:20)
- 第8章 多分类
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
共 7 节 (77分钟) 收起列表
- 8-1 任务简介、主要步骤、前置条件 (08:14)
- 8-2 加载iris数据集（训练集与验证集） (09:42)
- 8-3 定义模型结构：带有softmax的多层神经网络 (07:19)
- 8-4 训练模型：交叉熵损失函数与准确度度量 (10:57)
- 8-5 多分类预测方法 (08:06)
- 8-6 （选修）IRIS数据集生成函数源码剖析 (15:26)
- 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
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。
共 5 节 (57分钟) 收起列表
- 9-1 欠拟合与过拟合任务简介 (11:28)
- 9-2 加载带有噪音的二分类数据集 (14:42)
- 9-3 使用简单神经网络演示欠拟合 (10:48)
- 9-4 使用复杂神经网络演示过拟合 (06:23)
- 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
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！
共 5 节 (103分钟) 收起列表
- 10-1 使用卷积神经网络识别手写数字任务简介 (06:05)
- 10-2 加载 MNIST 数据集 (31:53)
- 10-3 定义模型结构：卷积神经网络 (31:37)
- 10-4 训练模型 (11:52)
- 10-5 进行预测 (21:11)
- 第11章 使用预训练模型进行图片分类
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！
共 3 节 (36分钟) 收起列表
- 11-1 使用预训练模型进行图片分类任务简介 (05:23)
- 11-2 加载 MobileNet 模型 (09:05)
- 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
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！
共 6 节 (67分钟) 收起列表
- 12-1 基于迁移学习的图像分类器：商标识别任务简介 (06:18)
- 12-2 加载商标训练数据并可视化 (16:41)
- 12-3 定义模型结构：截断模型+双层神经网络 (12:21)
- 12-4 迁移学习下的模型训练 (13:09)
- 12-5 迁移学习下的模型预测 (07:12)
- 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
在浏览器里进行语音识别。
共 3 节 (33分钟) 收起列表
- 13-1 使用预训练模型进行语音识别任务简介 (04:41)
- 13-2 加载预训练语音识别模型 (14:23)
- 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
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！
共 5 节 (96分钟) 收起列表
- 14-1 基于迁移学习的语音识别器：声控轮播图 (05:57)
- 14-2 在浏览器中收集中文语音训练数据 (23:15)
- 14-3 语音识别迁移学习的训练和预测 (18:04)
- 14-4 语音训练数据的保存和加载 (25:32)
- 14-5 声控轮播图 (22:52)
- 第15章 Python 与 JavaScript 模型互转
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！
共 4 节 (73分钟) 收起列表
- 15-1 Python 与 JavaScript 模型互转任务简介 (14:56)
- 15-2 安装 Tensorflow.js Converter (23:18)
- 15-3 Python 与 JavaScript 模型互转 (19:38)
- 15-4 JavaScript 模型的互转：分片、量化、加速 (14:36)
- 第16章 课程总结
对课程整体进行回顾。
共 1 节 (12分钟) 收起列表
