引言 利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。 研究ANN目的： （1）探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统。 （2）探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。 ANN的研究内容 （1）理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。 （2）实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径。 （3）应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。

本章要点 一、神经网络简介 二、MATLAB简介 三、神经网络建模基础 四、利用Microsoft SQL Server22005实践神经网络算法

智能优化算法课程 ML机器学习入门 神经网络基础 智能优化算法-BP神经网络基本原理简介

MNIST机器学习入门 机器学习两大应用场景：分类(classification)与回归(regression)。 回归问题通常来预测一个值，其标签的值是连续的，例如预测房价，天气等任何连续性的走势，数值。

在这门课程里你将掌握Deep Learning的概念和使用Keras和TensorFlow框架的模型，并实现深度学习算法，为你成为一名Deep Learning工程师做铺垫。 TensorFlow课程认证培训中，你将熟悉人工神经网络、PyTorch、自动编码器等的语言和基本概念。完成学习后，你将能够建立Deep Learning模型，解释结果，并建立自己的深度学习项目。 该课程面向神经网络、机器学习、深度学习、人工智能入门的同学，通过系统化学习，快速掌握TensorFlow技术及其应用。

在这门课程里你将掌握Deep Learning的概念和使用Keras和TensorFlow框架的模型，并实现深度学习算法，为你成为一名Deep Learning工程师做铺垫。 TensorFlow课程认证培训中，你将熟悉人工神经网络、PyTorch、自动编码器等的语言和基本概念。完成学习后，你将能够建立Deep Learning模型，解释结果，并建立自己的深度学习项目。 该课程面向神经网络、机器学习、深度学习、人工智能入门的同学，通过系统化学习，快速掌握TensorFlow技术及其应用。

强化学习有关的教材，涉及理论方面的推导和证明，有助于理解强化学习的代码，需要的可以下载！！！

包括约会数据集。

深度学习入门专栏的所有代码

pytorch课程分享下载——《Pytorch深度学习入门与实战》视频教程，2022年最新升级版，课程简明易懂，非常适合初学pytorch的朋友，提供代码+课件+数据集下载。 课程结合了超多的经典实例，比如：图像定位实例、Unet语义分割实例、LinKnet图像语义分割实例、经典四种天气分类实例、文本分类实例、循环神经网络、Tensorboard可视化等等。