【注】用于记录。
本系列课程从人工智能发展的简要历程和深度学习简介开始，深入浅出地讲解了如何用人工智能/深度学习来解决实际问题。课程中的案例都是结合生活中真实场景的鲜活实例，老师手把手视频实例讲解，非常适合想要快速入门的学习者或技术人员，也适合想要简要了解人工智能/深度学习概念和思维方法的人们。本系列课程主要使用TensorFlow、Keras、Python等具体技术框架或编程语言。
本课程基于使用Python语言的TensorFlow深度学习框架进行讲解。为什么用TensorrFlow？因为这是谷歌推出的、现在使用最广泛的人工智能深度学习框架。为什么用Python语言？据说高考将要纳入Python语言，现在连小学生也逐步要求必修Python语言课了。加油吧，小伙伴们！
课程最初的设计是专注于具备少许编程基础的人，直接看/学/用深度学习的框架时又感觉由于文档不足（尤其是TensorFlow等框架的范例起点太复杂）难以着手者。帮助大家快速入门，几个实例实例讲解，解决初学常见问题，避开大多数人会遇上的坎和坑，少走弯路，尽快具备自己动手和继续自学深造的能力。可以互动，解疑答惑。
课程目录
目录
连载
章节1:人工智能的发展历程与概念介绍
课时1人工智能极简历史与深度学习简介90:32
章节2:准备一个舒适的人工智能学习与开发的环境
课时2开发环境准备1：安装Python09:12
课时3开发环境准备2：安装TensorFlow等77:12
章节3:通过实例讲解快速入门
课时4初识TensorFlow -- 实例讲解人工智能深度学习66:09
课时5深度学习之解决非线性分类问题 -- 三好学生问题再现82:05
课时6TensorFlow中如何从文件中载入训练数据 -- 不要再自己编了28:35
课时7用多层全连接神经网络解决身份证问题 -- 安能辨我是雄雌56:00
课时8保存和载入训练过程 -- TensorFlow的Ctrl-S31:09
课时9用TensorBoard查看图形化的模型 -- 鹰扬豹变了40:58
课时10用训练好的模型进行预测 -- 做个大预言家27:07
课时11用Keras简化建模和训练过程 -- 简易工具是给高手用的39:07
课时12保存模型后在其它语言中使用 -- Go! Go! Go!27:55
课时13用卷积神经网络进行图像识别 -- 情凭谁来定错对75:43
一、 开发环境准备1：安装Python
手把手视频讲解Windows下Python语言的安装过程；
二、 开发环境准备2：安装TensorFlow等
手把手介绍进行人工智能深度学习开发所需环境的安装，课程要点：
1. 回顾Python语言的安装
2. 安装TensorFlow
3. 安装Keras
4. 安装Cmder命令行环境
5. 安装文本编辑软件
6. 安装Python开发IDE - PyCharm
三、初识TensorFlow实例讲解人工智能深度学习
课程要点：
1. 最简单的入门实例讲解，手把手教你迈过人工智能/深度学习的门槛
2. 神经网络、隐藏层、激活函数
四、人工智能极简历史及深度学习简介
这是一节关于人工智能（AI）大历史的课，试图用极简的叙述，勾勒出人工智能近80年的发展历程……
五、深度学习之解决非线性分类问题
课程要点：
1. 非线性化问题
2. 分类（二分）问题
3. 批量产生随机性训练数据
4. 激活函数（sigmoid）
5. 使用softmax将数据规约成和为100%的向量
六、TensorFlow中如何从文件中载入训练数据
课程要点：
1. 整理文本格式的数据文件
2. 非数字列的转换
3. 行数据的分拆和如何喂给训练过程
七、用多层全连接神经网络解决身份证问题
课程要点：
1. 多层神经网络
2. 全连接层
3. 非线性跳跃问题的解决办法
4. 矩阵乘法
八、保存和载入训练过程
课程要点：
1. 保存训练过程；
2. 载入训练过程，以便继续训练；
3. 通过命令行参数，控制是否强制重新开始训练；
4. 在训练过程中如何手工指定保存训练过程。
九、用TensorBoard查看图形化的模型
课程要点：
1. 启动TensorBoard工具
2. TensorBoard的命令行参数
3. 修改图中Tensor的显示名称
十、用训练好的模型进行预测
课程要点：
1. 从命令行参数读取需要预测的数据
2. 从训练好的模型进行预测
3. 通过人机交互控制是否保存模型
十一、用Keras简化建模和训练过程
课程要点：
1. 用Keras进行建模和训练
2. 用Keras进行预测
3. 保存和载入Keras模型
十二、保存模型后在其它语言中使用
课程要点：
1. 保存模型
2. 在Go语言中载入模型并进行运算（预测）
十三、用卷积神经网络进行图像识别
课程要点：
1. 卷积神经网络（CNN）知识复习
2. 卷积层的原理和优点
3. 实现包含卷积层的多层神经网络
4. 用卷积网络实现图像识别（对勾错叉）
计算机软件、通信行业和外语在线教育领域资深专家，国家认证高级系统分析师。在大型国企和世界50强IT跨国公司从事计算机系统、电信行业项目、外语在线教育项目、人工智能/深度学习领域项目多年，项目经验丰富，精通十几种计算机语言，擅长理论的落地、实用化，长期担任企业内部高级培训讲师。课程教授方式深入浅出，尤其课程实例和讲解均简单易懂，易于理解，尤其适合入门学习者。
