学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
TensorFlow 入门
不久前，最前沿的计算机视觉算法还无法区分猫和狗的图像。 如今，一名熟练的数据科学家只需一台笔记本电脑，就能以比人眼更高的准确率对数以万计的对象进行分类。在本课程中，你将使用 TensorFlow 2.6 开发、训练并使用模型进行预测，这些模型推动了推荐系统、图像分类和金融科技领域的重大进展。
使用线性模型进行预测
你将了解如何使用 TensorFlow 2.6 通过线性回归模型进行预测，并将通过预测 King County 的房价来检验你的知识。 本课程的这一部分将介绍损失函数，以及如何通过分批训练线性模型来减少资源消耗。训练你的神经网络
在课程的后半部分，你将使用相同的工具借助神经网络进行预测。 你将通过添加可训练变量，并使用你的模型和测试特征来预测目标值，来实践在 TensorFlow 中训练网络。将 TensorFlow 与 Keras API 结合使用
将 Keras 强大的 API 纳入你的技能库，并学习如何将其与 TensorFlow 2.6 结合，以进行预测并评估模型。 在本课程结束时，您将了解如何使用 Estimators API 来简化模型定义并避免错误。先修要求
课程体系
课程大纲
1
TensorFlow 入门
在使用 TensorFlow 2 构建高级模型之前，您需要先掌握基础知识。本章将带您学习如何定义常量与变量、执行张量加法与乘法，以及计算导数。具备一定线性代数知识会有所帮助，但并非必需。
2
线性模型
本章将带您在 TensorFlow 2 中构建、求解模型并进行预测。我们将聚焦一类简单模型——线性回归模型，并尝试预测房价。学完本章，您将掌握如何加载与处理数据、构建损失函数、执行最小化、进行预测，以及通过批量训练降低资源占用。
3
神经网络
前几章已经介绍了如何在 TensorFlow 2 中构建模型。本章您将用同样的工具来构建、训练并用神经网络进行预测。您将学习如何定义全连接（dense）层、应用激活函数、选择优化器，并通过正则化降低过拟合。您还将同时运用 TensorFlow 的低级线性代数操作与高级 Keras API，来定义并训练模型，充分发挥其灵活性。
4
高级 API
在最后一章中，您将使用 TensorFlow 2 的高级 API 来训练一个手语字母分类器。您将使用顺序式与函数式 Keras API 来训练、验证、预测并评估模型。您还将学习如何使用 Estimators API 简化模型定义与训练流程，并减少出错。
Python 中的 TensorFlow 入门
课程已完成
