Intel發布AI免費系列課程3部曲：機器學習基礎、深度學習基礎以及TensorFlow基礎

Intel于近期發布了三門AI系列的免費課程，分別是關于機器學習基礎、深度學習基礎、TensorFlow基礎三個方面。據悉，該系列免費課程主要針對研究生階段的學生，營長將三門課程概要及鏈接整理如下。

課程1：機器學習基礎

概要

本課程介紹了Intel架構中的機器學習基礎知識。涵蓋的主題包括：

回顧了機器學習可以解決的問題類型

理解機器學習算法中的各組成模塊

學習在機器學習中構建模型的基礎知識

探索關鍵算法

在本課程結束時，學生將了解以下內容：

監督學習算法

機器學習關鍵概念：如過擬合，正則化和交叉驗證

如何識別待解決問題的類型，選擇正確的算法，調整參數并驗證模型

本次免費課有12周的課程，每周至少需要3個小時才能完成。并且這些課程的練習需要用Python來實現。

課程網址：

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

課程2：深度學習基礎

概要

本課程介紹了Intel架構中的深度學習基礎知識。深度學習在計算機視覺和自然語言處理方面所實現的優異表現，使其在業界引起了極大關注。

在本課程結束時，學生將對以下內容有一個明確的理解：

深度學習的技術，專業術語和有關數學知識

神經網絡基本框架：前饋神經網絡，卷積神經網絡和循環神經網絡

如何適當地構建和訓練這些模型

各種深度學習應用

如何使用預先訓練好的模型獲得最佳結果

本次免費課有12周的課程，每周至少需要3個小時才能完成。

課程網址：

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

課程3：TensorFlow基礎

概要

TensorFlow是一個流行的機器學習框架和數據流編程的開源庫。在本課程中，您將了解：

用TensorFlow構建模型的基礎

機器學習基礎知識：如線性回歸，損失函數，梯度下降

重要的技術：如標準化、正則化和小批量處理（mini-batching）

“核化”以及如何將它們應用于卷積神經網絡（CNN）

CNN的基本模板以及不同的可調參數

TFRecord, queues, coordinators

在本課程結束時，學生將對以下內容有一個明確的理解：

基礎網絡結構，卷積核，池化和多分類任務

如何將基礎網絡擴展到更復雜的網絡

通過在現有網絡上使用遷移學習來利用它們的優勢

本次免費課有8周的課程，每周至少需要3個小時才能完成。

課程網址：

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