客观的：执行使用预训练的网络图像分类。使用转移学习培训定制分类网络。

• 预训练网络
• 图像数据存储
• 迁移学习
• 网络评估

客观的：增益深入了解一个网络是由在其穿过网络可视化图像数据进行操作。应用该技术对不同类型的图像。

• 激活
• 特征提取机器学习

客观的：从头开始构建卷积网络。了解信息是如何在网络层以及类型层的工作有什么不同之间传递。

• 从头开始培训
• 神经网络
• 卷积层和过滤器

客观的：了解如何训练算法的工作。一套培训方案，以监测和控制培训。

• 网络培训
• 训练进度图
• 验证

客观的：选择和实施修改培训算法选项，网络架构或培训数据以提高网络性能。

• 培训选项
• 向无环图
• 增强的数据存储

客观的：创建卷积网络，可以预测连续数字的反应。

• 迁移学习回归
• 评价指标回归网络

客观的：列车网络来定位和图像内标签的特定对象。

• 影像工作流的应用
• 对象检测

客观的：构建和列车网络上的数据的排序的序列，如时间序列或传感器数据执行分类。

• 长短期内存网络
• 序列分类
• 序列预处理
• 分类序列

客观的：使用反复网络创建预测序列。

• 序列顺序分类
• 序列预测