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