Skip to content

foochane/Deep-Learning-Specialization-Notes

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Deep-Learning-Specialization-Notes

Deep Learning Specialization Notes

课程链接:

https://www.coursera.org/specializations/deep-learning

http://mooc.study.163.com/smartSpec/detail/1001319001.htm

Deep Learning is transforming multiple industries. This five-course specialization will help you understand Deep Learning fundamentals, apply them, and build a career in AI.

第一周 深度学习概论:

学习驱动神经网络兴起的主要技术趋势,了解现今深度学习在哪里应用、如何应用。

1.1 欢迎来到深度学习工程师微专业

1.2 什么是神经网络?

1.3 用神经网络进行监督学习

1.4 为什么深度学习会兴起?

1.5 关于这门课

1.6 课程资源

第二周 神经网络基础:

学习如何用神经网络的思维模式提出机器学习问题、如何使用向量化加速你的模型。

2.1 二分分类

2.2 logistic 回归

2.3 logistic 回归损失函数

2.4 梯度下降法

2.5 导数

2.6 更多导数的例子

2.7 计算图

2.8 计算图的导数计算

2.9 logistic 回归中的梯度下降法

2.10 m 个样本的梯度下降

2.11 向量化

2.12 向量化的更多例子

2.13 向量化 logistic 回归

2.14 向量化 logistic 回归的梯度输出

2.15 Python 中的广播

2.16 关于 python / numpy 向量的说明

2.17 Jupyter / Ipython 笔记本的快速指南

2.18 (选修)logistic 损失函数的解释

第三周 浅层神经网络:

学习使用前向传播和反向传播搭建出有一个隐藏层的神经网络。

3.1 神经网络概览

3.2 神经网络表示

3.3 计算神经网络的输出

3.4 多样本向量化

3.5 向量化实现的解释

3.6 激活函数

3.7 为什么需要非线性激活函数?

3.8 激活函数的导数

3.9 神经网络的梯度下降法

3.10 (选修)直观理解反向传播

3.11 随机初始化

第四周 深层神经网络:

理解深度学习中的关键计算,使用它们搭建并训练深层神经网络,并应用在计算机视觉中。

4.1 深层神经网络

4.2 深层网络中的前向传播

4.3 核对矩阵的维数

4.4 为什么使用深层表示

4.5 搭建深层神经网络块

4.6 前向和反向传播

4.7 参数 VS 超参数

4.8 这和大脑有什么关系?

大师访谈

我在本微专业中采访了多位人工智能领域大师,希望爱好人工智能的你可以从他们的睿智回答中了解 AI 领域的专业建议。

Geoffrey Hinton

参考笔记: https://blog.csdn.net/red_stone1/article/details/80207815

https://zhuanlan.zhihu.com/p/35333489

https://zhuanlan.zhihu.com/p/47108882

https://github.com/mbadry1/DeepLearning.ai-Summary/blob/master/1-%20Neural%20Networks%20and%20Deep%20Learning/Readme.md

课程作业:https://blog.csdn.net/u013733326/article/details/79827273

About

Deep Learning Specialization Notes

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published