课程主页: https://www.coursera.org/learn/convolutional-neural-networks-tensorflow
课程概述
作为一名软件开发者，如果您想构建可扩展的AI算法，理解如何使用工具构建它们是至关重要的。这个课程是即将开设的TensorFlow机器学习专业化的一部分，将教您使用TensorFlow这一流行的开源机器学习框架的最佳实践。
课程大纲
在此次专业化的第二课程中，您将学习改进第一个课程中构建的计算机视觉模型的高级技术。
探索更大的数据集
在专业化的第一课程中，您对TensorFlow有了初步了解，掌握了如何通过其高级API进行基本的图像分类，并学习了一些卷积神经网络（ConvNets）的知识。在本课程中，您将更加深入使用ConvNets处理真实世界的数据，学习可以提高ConvNet性能的技术，特别是在图像分类时！
第一周，我们将通过查看一个更大的数据集开始：猫与狗数据集，这是一个在图像分类中广受欢迎的Kaggle挑战！
数据增强：避免过拟合的技巧
你可能已经听说过“过拟合”这个词。它简而言之就是模型在训练时过度特定化的概念——即您的模型在分类它训练的内容时表现很好，但在分类未见过的内容时表现不佳。为了更有效地使模型泛化，您当然需要更广泛的样本进行训练。虽然这并不总是可能，但有一个很好的快捷方式是数据增强，通过对训练集进行微调，潜在地增加其覆盖的主题多样性。本周您将全面了解这一点！
迁移学习
自己构建模型当然很好，而且可以非常强大。但是，正如您所看到的，您的数据可能有限。并非每个人都能接触到大型数据集或有效训练它们所需的计算能力。迁移学习可以帮助解决这个问题——那些在大型数据集上训练过的模型可以直接使用，或者您可以使用他们所学到的特征并将其应用于您的场景。在本周，您将深入研究迁移学习！
多分类
恭喜您，您已经走了很长一段路！在我们转移到下一个模块之前，还有一件事要完成，那就是超越二元分类。到目前为止，您所做的示例都涉及一种或另一种事物的分类——马或人，猫或狗。当您从二元分类转到分类分类时，有一些编码考虑因素需要注意。本周您将关注这些问题！
推荐理由
这个课程非常适合想要深度理解卷积神经网络和如何使用TensorFlow进行计算机视觉的开发者。无论您是刚入门的学习者还是有经验的技术人员，课程中涵盖的技术和工具都能帮助您提升自己的技能，应用于复杂的AI问题中。
如果您希望在机器学习和深度学习领域获得竞争优势，我强烈推荐您参加这个课程！
课程主页: https://www.coursera.org/learn/convolutional-neural-networks-tensorflow