客观的：使用验证的网络执行图像分类。使用转移学习来培训定制的分类网络。

• 预验证的网络
• 图像数据存储
• 转移学习
• 网络评估

客观的：通过可视化图像数据在通过网络时可视化网络的运行方式。将此技术应用于不同类型的图像。

• 激活
• 机器学习的功能提取

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不同类型的层如何工作。

• 从头开始训练
• 神经网络
• 卷积层和过滤器

客观的：了解培训算法如何工作。设置培训选项以监视和控制培训。

• 网络培训
• 培训进度图
• 验证

客观的：选择并实施培训算法选项，网络体系结构或培训数据以提高网络性能的修改。

• 培训选项
• 定向无环图
• 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。

• 转移学习以进行回归
• 回归网络的评估指标

客观的：训练网络以在图像中找到和标记特定对象。

• 图像应用程序工作流程
• 对象检测

客观的：构建和训练网络以对有序数据序列（例如时间序列或传感器数据）执行分类。

• 长期短期存储网络
• 序列分类
• 序列预处理
• 分类序列

客观的：使用循环网络创建预测序列。

• 序列分类的序列
• 序列预测