在本模块中，您将学习用于优化神经网络的流行反向传播算法背后的数学知识。在反向传播笔记本中，你还将看到并理解激活函数的使用。大多数激活函数的主要目的是在网络中引入非线性，使其能够学习更复杂的模式。最后，您将学习使用 Keras 库中的函数和 API 来解决涉及神经网络的任务，这些任务从加载图像开始。

您可以利用多个选项来优先考虑神经网络和深度学习模型的训练时间或准确性。在本模块中，您将了解模型训练过程中的关键概念，包括优化器和数据洗牌。您还将获得使用 Keras 的上机实践，Keras 是深度学习的常用库之一。

在本模块中，您将熟悉卷积神经网络（又称空间不变人工神经网络），它是深度神经网络的一种，常用于图像人工智能应用。卷积神经网络有多种架构，你将学习一些最常见的架构，并将其添加到你的深度学习技术工具包中。

在本模块中，您将了解什么是迁移学习及其工作原理。您将使用各种流行的预训练 CNN 架构（如 VGG-16 和 ResNet-50），通过 5 个一般步骤实现迁移学习。您将研究这些 CNN 架构之间的差异，并了解每种架构的发明是如何解决其前辈的问题的。最后，但并非最不重要的一点是，由于我们正在转向使用更深层次的神经网络，您还将掌握正则化技术，以防止复杂模型和网络的过度拟合。

在本模块中，您将熟悉递归神经网络（RNN）和长短期记忆网络（LSTM）。RNN 经常用于当今大多数人工智能应用中，也可用于监督学习。

在本模块中，您将熟悉 Autoencoders，这是深度学习在无监督学习中的一种有用应用。自动编码器是一种神经网络架构，可强制学习数据（通常是图像）的低维表示。在本模块中，您将学习一些基于深度学习的数据表示技术、自动编码器的工作原理，并介绍如何将训练有素的自动编码器用于图像应用。

在本模块中，您将了解两种生成模型，即变异自动编码器（VAE）和生成对抗网络（GAN）。我们将了解每种模型背后的理论，然后在 Keras 中实现它们，生成人工图像。我们的目标通常是生成尽可能逼真的图像。在本模块的最后一课，我们将讨论深度学习的其他主题，即在 GPU 环境中使用 Keras 加快模型训练。

在本模块中，您将熟悉神经网络的其他新型应用。您将了解生成对抗网络（通常称为 GAN），它是神经网络生成新数据的一种应用。最后，您将学习强化学习（Reinforcement Learning），这是人工智能的一大前景，它基于使用奖励来训练算法，而不是使用我们在整个课程中一直使用的最小化误差的方法。