*** 如Kickstarter所示 ***
人工智能正呈指数级增长。这点毫无疑问。自动驾驶汽车的驾驶里程已经能够达到数百万英里，IBM Watson对患者的诊断比许多医生都好，谷歌Deepmind的AlphaGo在Go上击败了世界围棋冠军 - 围棋是一种直觉起着关键作用的游戏。
但是，随着人工智能的进一步发展，需要解决的问题就越复杂。只有深度学习可以解决这些复杂的问题，这就是为什么它是人工智能的核心。
--- 为什么选择Deep Learning A-Z？---
以下是我们认为Deep Learning A-Z™真正与众不同的五个原因，并因此从众多其他培训计划中脱颖而出：
1.强大的结构
我们聚焦的第一件也是最重要的事情就是为课程提供一个强大的结构。深度学习是非常广泛和复杂的，要走出这个迷宫，你需要一个明确的全球视野。
这就是为什么我们将教程分为两册，分别代表深度学习的两个基本分支：有监督深度学习和无监督深度学习。每一册都关注三种独特的算法，我们发现这是掌握深度学习的最佳结构。
2.直觉教程
很多课程和书籍只是用理论、数学和编码对你狂轰滥炸...但他们忘了解释或许是最重要的部分：你为什么要做自己正在做的事情。这就是这门课程如此不同的地方。我们专注于为深度学习算法背后的概念开发一种直观的*感觉*。
学习我们的直觉教程，你将有信心在本能层面上理解所有技术。一旦你开始动手编码练习，你会亲眼发现你的体验会变得更有意义。这是一套改变游戏规则的课程。
3.令人振奋的项目
你是否厌倦了以过度使用的过时数据集为基础开发的课程？
对吧？好了，快来体验下我们的课程吧。
在本课程中，我们将研究真实的数据集，以解决实际的业务问题。（绝对不是我们在每门课程中看到的那种无聊的虹膜或数字分类数据集）。在本课程中，我们将解决六个现实世界的挑战：
· 解决客户流失问题的人工神经网络
· 用于图像识别的卷积神经网络
· 预测股票价格的递归神经网络
· 调查欺诈的自组织映射
· 创建推荐系统的玻尔兹曼机(Boltzmann Machine)
· 接受挑战，助力赢得Netflix百万美金大奖的堆叠自编码器(Stacked Autoencoder)*
*堆叠自编码器是深度学习中的一种全新技术，几年前根本还不存在这种技术。我们还没有在哪儿见到过这种方法能被以足够的深度进行解释。
4.动手编码
在Deep Learning A-Z™中，我们与您一起编码。每套实用教程都是从一张白纸开始的，让我们从零开始编写代码。通过这种方式，你可以顺着完全理解代码是如何组合在一起的，以及每行代码的含义。
此外，我们将以这种方式有目的地构建代码，以便你可以下载并将其应用于自己的项目中。此外，我们会逐步解释在何处以及如何修改代码以插入你的数据集，根据你的需要定制算法，以获得你所需要的输出。
这是一门自然延伸至你职业生涯的课程。
5.课程内支持
你是否上过一门课程或阅读过一本书，虽然有问题但无法联系到作者？
好了，这门课程可不同哦。我们完全致力于使这门课程成为世界上最具破坏性和最强大的深度学习课程。当你需要我们的帮助时，我们有责任时刻为你解疑答惑。
事实上，由于我们身体上也需要进食和睡眠，因此我们组建了一支专业的数据科学家团队来帮助我们。无论您何时提出问题，最多48小时内即可得到我们的回复。
无论你的问题有多复杂，我们都会帮你解答。归根结底，我们希望你成功。
--- 工具 ---
Tensorflow和Pytorch是深度学习中最受欢迎的两个开源库。在本课程中，这两个库你都会学习到！
TensorFlow由谷歌开发，用于他们的语音识别系统、新的谷歌照片产品、Gmail、谷歌搜索等等。使用Tensorflow的公司包括AirBnb、Airbus、Ebay、Intel、Uber等。
PyTorch同样强大，目前正由Nvidia和一流大学（斯坦福、牛津、巴黎高科）的研究人员进行开发。使用PyTorch的公司包括Twitter、Saleforce和Facebook。
那么哪个更好？为什么？
在本课程中，你将有机会使用这两种库，并明白何时Tensorflow更好，以及何时PyTorch更好。在整个教程中，我们将两者进行比较，并为你提供某些情况下最有用的提示和想法。
有趣的是，这两个库都只有1年多的历史。正因如此，我们才会说：在这门课程中，我们将教你最前沿的深度学习模型和技巧。
--- 更多工具 ---
Theano 是另一个开源深度学习库。它的功能与Tensorflow非常相似，但是我们仍然会介绍它。
Keras 是一个实现深度学习模型的令人难以置信的库。它充当Theano和Tensorflow的封装器。感谢Keras，我们可以只使用几行代码就能创建功能强大且复杂的深度学习模型。这可以让你全面了解你正在创建的内容。由于这个库，你所做的一切都看起来如此清晰和有条理，你会真正理解你正在做的事情。
--- 更多工具 ---
Scikit-learn 最实用的机器学习库。我们主要利用它：
· 通过最相关的技术k-折交叉验证(k-Fold Cross Validation)来评估我们模型的性能
· 通过有效的参数调整来改进我们的模型
· 预处理我们的数据，以便我们的模型可以在最佳条件下学习
当然，我们也必须提到常见怀疑。整个课程以Python为基础，在每一部分中，你将有数小时的宝贵动手实践编码体验。
此外，在整个课程中，我们将使用Numpy进行大量计算并操作高维数组，使用Matplotlib绘制富有洞察力的图表，并使用Pandas最高效地导入和操作数据集。
--- 这门课程是面向谁的？---
你也知道，在深度学习领域有很多不同的工具。在本课程中，我们一定会向你展示最重要和最先进的工具，这样当你完成Deep Learning AZ™时，你的技能就处于当今技术的最前沿。
如果你是深入学习的初学者，那么你会发现这门课程非常有用。Deep Learning A-Z™是围绕特殊编码蓝图方法构建的，这意味着你不会陷入不必要的复杂编程或数学中，而是将在课程的早期阶段就能应用深度学习技术。你将从头开始构建您的知识，并将看到你学完每套教程后自己将变得越来越有自信。
如果你已经拥有深度学习经验，那么你会发现这门课程令人耳目一新、令人鼓舞且非常实用。在Deep Learning AZ™中，你将掌握一些最前沿的深度学习算法和技术（其中一些甚至一年前都不存在）。学习本课程，你将直面现实世界的商业挑战，从而获得大量宝贵的实践经验。此外，在课程中，你会找到探索新的深度学习技能和应用的灵感。
--- 真实案例研究 ---
掌握深度学习不仅仅是了解直觉和工具，你还能将这些模型应用于实际场景，并为业务或项目获得实际可测量的结果。正因如此，在本课程中我们将介绍六个令人激动的挑战：
#1 流失建模问题
在本部分中，你将解决银行的数据分析挑战。你将获得一个包含该银行客户大量样本的数据集。为了制作这个数据集，银行收集了诸如客户ID、信用评分、性别、年龄、年资、余额、客户是否活跃、有无信用卡等信息。在6个月的期间内，银行观察了这些客户是否离开或留在银行。
你的目标是根据上面给出的地理人口统计和交易信息建立一个人工神经网络，预测是否有任何个人客户将离开银行或留在银行（客户流失）。此外，还会要求你根据离开的可能性对银行的所有客户进行排名。要做到这一点，你需要使用基于概率方法的正确的深度学习模型。
如果你能成功完成此项目，你将为银行创造重要的附加价值。通过应用你的深度学习模型，银行可以显著减少客户流失。
#2 图像识别
在本部分中，你将创建一个能够检测图像中各种对象的卷积神经网络。我们将实现此深度学习模型，以识别一组图片中的一只猫或一只狗。但是，此模型可以重复使用以检测其他任何内容，我们将向你展示如何操作 - 只需更改输入文件夹中的图片即可。
例如，你将能够在一组脑图像上训练相同的模型，以检测它们是否包含肿瘤。但是如果你想让它能够检测猫和狗，那你可以直接拍张猫或狗的照片，然后你的模型就会预测你养了只什么宠物。我们甚至对Hadelin的狗进行了测试！
#3 股票价格预测
在本部分中，你将创建一个最强大的深度学习模型。甚至可以这么说，你将创建最接近“人工智能”的深度学习模型。为什么这么说？因为这个模型会有长期记忆，就像我们人类一样。
作为深度学习一个分支的递归神经网络(RNN)有助于实现这一点。经典的RNN具有短时记忆功能，并且正是由于这个原因它既不流行也不强大。但最近对递归神经网络的一项重大改进导致LSTM（长短期记忆RNN）颇为流行，这已经完全改变了竞争环境。我们非常高兴能在我们的课程中加入这些尖端的深度学习方法！
在这一部分中，你将学习如何实现这个超级强大的模型，我们将接受挑战，用它来预测真正的谷歌股票价格。斯坦福大学的研究人员已经面临类似的挑战，我们的目标是至少与他们一样好。
#4 欺诈检测
根据Markets＆Markets最近发布的一份报告，到2021年，欺诈检测和预防市场的规模将达到3319亿美元。这是一个巨大的行业，对高级深度学习技能的需求只会增长。这就是为什么我们在课程中加入了该案例研究。
即第2册的第一部分 - 无监督深度学习模型。其业务挑战是检测信用卡申请中的欺诈。你将为银行创建深度学习模型，你会得到一个数据集，其中包含申请高级信用卡客户的信息。
这是客户填写申请表时提供的数据。你的任务是检测这些申请中的潜在欺诈行为。这意味着，在挑战结束时，你将能够明确列出那些可能在申请中作弊的的客户。
#5 & 6 推荐系统
从Amazon产品建议到Netflix电影推荐 - 好的推荐系统在今天的世界中非常有价值。能够创造推荐系统的专家是世界上收入最高的数据科学家。
我们将研究一个与Netflix数据集具有完全相同功能的数据集：海量电影，及对看过的电影进行了评分的成千上万名用户。与Netflix数据集完全相同，从1到5分进行打分，这让推荐系统的构建比只是评“喜欢”或“不喜欢”更复杂。
你最终的推荐系统将能够对客户未看过的电影进行打分预测。相应地，通过将预测从5到1分进行打分，你的深度学习模型将能够为每个用户推荐应该观看哪些电影。创建如此强大的推荐系统是一个相当大的挑战，所以我们会给自己两次机会。这意味着我们将使用两种不同的深度学习模型来构建推荐系统。
我们的第一个模型是Deep Belief Networks，复杂的玻尔兹曼机(Boltzmann Machine)将在第5部分中介绍。然后我们的第二个模型将使用强大的自动编码器(AutoEncoders)，这是我个人的最爱。你会被其简洁和强悍所震惊。
而且你甚至可以将它用于你自己或你的朋友。电影列表一目了然，因此你只需要对已经看过的电影进行打分，在数据集中输入你的评分，执行你的模型，然后就瞧好吧！如果不知道想在Netflix上看什么电影，推荐系统会准确地告诉你哪天晚上你会喜欢哪些电影！
--- 总结 ---
总之，这是一个令人兴奋的培训计划，满满的都是直觉教程、实践练习和真实案例研究。
我们对深度学习充满热情，希望能在课堂上见到你哦！
Kirill & Hadelin
