客观的：使用备用网络执行图像分类。使用转移学习培训定制分类网络。

• 磨粉网络
• 图像数据存储
• 转移学习
• 网络评估

客观的：通过通过网络通过图像数据来了解网络如何运行网络。将这种技术应用于不同种类的图像。

• 激活
• 机器学习功能提取

客观的：从头开始构建卷积网络。了解如何在网络层之间传递信息以及如何运行不同类型的层次工作。

• 从头开始训练
• 神经网络
• 卷积层和过滤器

客观的：了解培训算法的工作。设置培训选项以监控和控制培训。

• 网络培训
• 培训进度情节
• 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。

• 培训选择
• 定向非循环图
• 增强数据存储

客观的：创建可以预测连续数字响应的卷积网络。

• 转移学习回归
• 回归网络的评估指标

客观的：列车网络定位和标记图像中的特定对象。

• 图像应用程序工作流程
• 对象检测

客观的：构建和列车网络以对数据的有序序列进行分类，例如时间序列或传感器数据。

• 长短期内存网络
• 序列分类
• 序列预处理
• 分类序列

客观的：使用递归网络来创建预测序列。

• 序列分类
• 序列预测