Intel发布AI免费系列课程3部曲：机器学习基础、深度学习基础以及TensorFlow基础

编译   成龙、明明

本文转自AI科技大本营，转载需授权

Intel于近期发布了三门AI系列的免费课程，分别是关于机器学习基础、深度学习基础、TensorFlow基础三个方面。据悉，该系列免费课程主要针对研究生阶段的学生，营长将三门课程概要及链接整理如下。

概要

本课程介绍了Intel架构中的机器学习基础知识。涵盖的主题包括：

• 回顾了机器学习可以解决的问题类型

• 理解机器学习算法中的各组成模块

• 学习在机器学习中构建模型的基础知识

• 探索关键算法

在本课程结束时，学生将了解以下内容：

• 监督学习算法

• 机器学习关键概念：如过拟合，正则化和交叉验证

• 如何识别待解决问题的类型，选择正确的算法，调整参数并验证模型

本次免费课有12周的课程，每周至少需要3个小时才能完成。并且这些课程的练习需要用Python来实现。

课程网址：

https://software.intel.com/en-us/ai-academy/students/kits/machine-learning-501

概要

本课程介绍了Intel架构中的深度学习基础知识。深度学习在计算机视觉和自然语言处理方面所实现的优异表现，使其在业界引起了极大关注。

在本课程结束时，学生将对以下内容有一个明确的理解：

• 深度学习的技术，专业术语和有关数学知识

• 神经网络基本框架：前馈神经网络，卷积神经网络和循环神经网络

• 如何适当地构建和训练这些模型

• 各种深度学习应用

• 如何使用预先训练好的模型获得最佳结果

本次免费课有12周的课程，每周至少需要3个小时才能完成。

课程网址：

https://software.intel.com/en-us/ai-academy/students/kits/deep-learning-501

概要

TensorFlow是一个流行的机器学习框架和数据流编程的开源库。在本课程中，您将了解：

• 用TensorFlow构建模型的基础

• 机器学习基础知识：如线性回归，损失函数，梯度下降

• 重要的技术：如标准化、正则化和小批量处理（mini-batching）

• “核化”以及如何将它们应用于卷积神经网络（CNN）

• CNN的基本模板以及不同的可调参数

• TFRecord, queues, coordinators

在本课程结束时，学生将对以下内容有一个明确的理解：

• 基础网络结构，卷积核，池化和多分类任务

• 如何将基础网络扩展到更复杂的网络

• 通过在现有网络上使用迁移学习来利用它们的优势

本次免费课有8周的课程，每周至少需要3个小时才能完成。

课程网址：

https://software.intel.com/en-us/ai-academy/students/kits/tensor-flow-501