Po przestudiowaniu Części XVII powinieneś być w stanie:

•  Zaprezentować uczenia się ze wzmacnianiem
•  Skorzystać z OpenAI Gym do eksperymentów
•  Określić sposób działania Deep Q-Network (DQN)
•  Poznać pracę z AlphaGo, AlphaGo Zero i Alpha Zero

Po przestudiowaniu Części XVI powinieneś być w stanie:

•  Przedstawić, jak sieci neuronowe mogą tworzyć wiarygodne dane
•  Tworzyć GAN, który może generować odręczne liczby
•  Zaprezentować aplikacje graficzne i muzyczne, w których błyszczą GAN

Po przestudiowaniu Części XV powinieneś być w stanie:

•  Odkryć, jak naśladować kreatywność
•  Zrozumieć, że głębokie uczenie nie może tworzyć
•  Rozwinąć sztuki w oparciu o ugruntowane style
•  Komponować muzykę w oparciu o ustalone style

Po przestudiowaniu Części XIV powinieneś być w stanie:

•  Odkryć przetwarzanie języka naturalnego
•  Dowiedzieć się, jak zamienić słowa w liczby w głębokim uczeniu się
•  Odwzorowywać słowa i ich znaczenia na osadzenia słów
•  Tworzyć system analizy sentymentu z wykorzystaniem RNN głębokiego uczenia

Po przestudiowaniu Części XIII powinieneś być w stanie:

•  Zrozumieć znaczenia wykrywania obiektów
•  Rozróżniać między wykrywaniem, lokalizacją i segmentacją
•  Testować wykrywania obiektów przez RetinaNet z GitHub

Po przestudiowaniu Części XII powinieneś być w stanie:

•  Rozpoznawać kluczowy wkład wyzwań związanych z rozpoznawaniem obrazu
•  Odkrywać znaczenia powiększania obrazu
•  Korzystać z zestawu danych niemieckiego testu znaków drogowych
•  Stworzyć własnego CNN zdolnego do klasyfikowania znaków drogowych

Po przestudiowaniu Części XI powinieneś być w stanie:

•  Zrozumieć znaczenia uczenia się danych w kolejności
• Zrozumieć tworzenie podpisów do obrazów i tłumaczenie języków przy użyciu głębokiego uczenia się
•  Odkryć technologię pamięci długo-krótkotrwałej (LSTM)
•  Pozyskać wiedzę o możliwych alternatywach dla LSTM

Po przestudiowaniu Części X powinieneś być w stanie:

•  Poznać wprowadzenie do podstaw widzenia komputerowego
•  Określić działania splotowych sieci neuronowych
•  Odtworzyć sieci LeNet5 za pomocą Keras
•  Wyjaśnić, jak sploty widzą świat

Po przestudiowaniu Części IX powinieneś być w stanie:

•  Zrozumieć źródła i wykorzystanie danych
•  Szybciej przetwarzać dane
•  Brać pod uwagę różnice w uczeniu głębokim
•  Definiować inteligentniejsze rozwiązania głębokiego uczenia się

Po przestudiowaniu Części VIII powinieneś być w stanie:

•  Rozważyć podstawową architekturę
•  Zdefiniować problemu
•  Zrozumieć proces rozwiązania

Po przestudiowaniu Części VII powinieneś być w stanie:

•  Rozważyć perceptron
•  Radzić sobie ze złożonymi danymi
•  Opracować strategię przezwyciężania nadmiernego dopasowania

Po przestudiowaniu Części VI powinieneś być w stanie:

•  Wykonywać różne zadania ze zmiennymi
•  Radzić sobie z prawdopodobieństwami
•  Rozważać funkcje, których użyć
•  Nauczyć z wykorzystaniem Stochastic Gradient Descent (SGD)

Po przestudiowaniu Części V powinieneś być w stanie:

•  Definiować wymagania matematyczne dla prostego głębokiego uczenia się
•  Wykonywać zadania matematyczne skalarne, wektorowe i macierzowe
•  Zrównać naukę z optymalizacją

Po przestudiowaniu Części IV powinieneś być w stanie:

•  Zrozumieć frameworki
•  Umieć skorzystać z podstawowego frameworka
•  Pracować z TensorFlow

Po przestudiowaniu Części III powinieneś być w stanie:

•  Uzyskąć kopię Pythona
•  Zrozumieć interakcję z notatnikiem Jupyter
•  Tworzyć podstawowy kod w Pythonie
•  Poznać pracę w chmurze

Po przestudiowaniu Części II powinieneś być w stanie:

•  Rozważyć na czym polega uczenie maszynowe
•  Zrozumieć metody wykorzystywane do osiągnięcia uczenia maszynowego
•  Wykorzystywać uczenie maszynowe do właściwych powodów

Po przestudiowaniu Części I powinieneś być w stanie:

•  Zrozumieć głębokie uczenie
•  Zrozumieć pracę z głębokim uczeniem
•  Zrozumieć tworzenie aplikacji do głębokiego uczenia
•  Zrozumieć ograniczenia uczenia głębokiego