文章目錄

• 第五課
• 第四課
• 第三課
• 第二課
• 第一課

第五課

《序列模型》筆記列表

Week 1	循環(huán)序列模型
Week 1 傳送門 —>	1.1 為什么選擇序列模型 1.2 數(shù)學(xué)符號(hào) 1.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 1.4 通過(guò)時(shí)間的方向傳播 1.5 不同類型的循環(huán)神經(jīng)網(wǎng)絡(luò) 1.6 語(yǔ)言模型和序列生成 1.7 對(duì)新序列采樣 1.8 帶有神經(jīng)網(wǎng)絡(luò)的梯度消失 1.9 GRU 單元 1.10 長(zhǎng)短期機(jī)器 (LSTM) 1.11 雙向神經(jīng)網(wǎng)絡(luò) 1.12 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 1.13 總結(jié)
Week 2	自然語(yǔ)言處理與詞嵌入
Week 2 傳送門 —>	2.1 詞匯表征 2.2 使用詞嵌入 2.3 詞嵌入的特性 2.4 嵌入矩陣 2.5 學(xué)習(xí)詞嵌入 2.6 Word2Vec 2.7 負(fù)采樣 2.8 GloVe 詞向量 2.9 情緒分類 2.10 詞嵌入除偏 2.11 總結(jié)
Week 3	序列模型和注意力機(jī)制
Week 3 傳送門 —>	3.1 基礎(chǔ)模型 3.2 選擇最可能的句子 3.3 定向搜索 3.4 改進(jìn)定向搜索 3.5 定向搜索的誤差分析 3.6 Bleu 得分 3.7 注意力模型直觀理解 3.8 注意力模型 3.9 語(yǔ)音辨識(shí) 3.10 觸發(fā)字檢測(cè) 3.11 結(jié)論和致謝 3.12 總結(jié)

第四課

《卷積神經(jīng)網(wǎng)絡(luò)》筆記列表

Week 1	卷積神經(jīng)網(wǎng)絡(luò)
Week 1 傳送門 —>	1.1 計(jì)算機(jī)視覺(jué) 1.2 邊緣檢測(cè)示例 1.3 更多邊緣檢測(cè)內(nèi)容 1.4 Padding 1.5 卷積步長(zhǎng) 1.6 三維卷積 1.7 單層卷積網(wǎng)絡(luò) 1.8 簡(jiǎn)單卷積網(wǎng)絡(luò)示例 1.9 池化層 1.10 卷積神經(jīng)網(wǎng)絡(luò)示例 1.11 為什么使用卷積？ 1.12 總結(jié)
Week 2	深度卷積網(wǎng)絡(luò)：實(shí)例探究
Week 2 傳送門 —>	2.1 為什么要進(jìn)行實(shí)例探究？ 2.2 經(jīng)典網(wǎng)絡(luò) 2.3 殘差網(wǎng)絡(luò) 2.4 殘差網(wǎng)絡(luò)為什么有用？ 2.5 網(wǎng)絡(luò)中的網(wǎng)絡(luò)以及1x1卷積 2.6 谷歌 Inception 網(wǎng)絡(luò)簡(jiǎn)介 2.7 Inception 網(wǎng)絡(luò) 2.8 使用開(kāi)源的實(shí)現(xiàn)方案 2.9 遷移學(xué)習(xí) 2.10 數(shù)據(jù)擴(kuò)充 2.11 計(jì)算機(jī)視覺(jué)現(xiàn)狀 2.12 總結(jié)
Week 3	目標(biāo)檢測(cè)
Week 3 傳送門 —>	3.1 目標(biāo)定位 3.2 特征點(diǎn)檢測(cè) 3.3 目標(biāo)檢測(cè) 3.4 卷積的滑動(dòng)窗口實(shí)現(xiàn) 3.5 Bounding Box 預(yù)測(cè) 3.6 交并比 3.7 非極大值抑制 3.8 Anchor Boxes 3.9 YOLO 算法 3.10 候選區(qū)域 3.11 總結(jié)
Week 4	特殊應(yīng)用：人臉識(shí)別和神經(jīng)風(fēng)格轉(zhuǎn)換
Week 4 傳送門 —>	4.1 什么是人臉識(shí)別？ 4.2 One-Shot 學(xué)習(xí) 4.3 Siamese 網(wǎng)絡(luò) 4.4 Triplet 損失 4.5 面部驗(yàn)證與二分類 4.6 什么是神經(jīng)風(fēng)格轉(zhuǎn)換？ 4.7 什么是深度卷積網(wǎng)絡(luò)？ 4.8 代價(jià)函數(shù) 4.9 內(nèi)容代價(jià)函數(shù) 4.10 風(fēng)格代價(jià)函數(shù) 4.11 一維到三維推廣 4.12 總結(jié)

第三課

《結(jié)構(gòu)化機(jī)器學(xué)習(xí)項(xiàng)目》筆記列表

Week 1	機(jī)器學(xué)習(xí)策略一
Week 1 傳送門 —>	1.1 為什么是ML策略 1.2 正交化 1.3 單一數(shù)字評(píng)估指標(biāo) 1.4 滿足和優(yōu)化指標(biāo) 1.5 訓(xùn)練/開(kāi)發(fā)/測(cè)試集劃分 1.6 開(kāi)發(fā)集和測(cè)試集的大小 1.7 什么時(shí)候該改變開(kāi)發(fā)_測(cè)試集和指標(biāo) 1.8 為什么是人的表現(xiàn) 1.9 可避免誤差 1.10 理解人的表現(xiàn) 1.11 超越人的表現(xiàn) 1.12 改善你的模型的表現(xiàn) [1.13 總結(jié)]
Week 2	機(jī)器學(xué)習(xí)策略二
Week 2 傳送門 —>	2.1 誤差分析 2.2 清除標(biāo)注錯(cuò)誤的數(shù)據(jù) 2.3 快速搭建你的第一個(gè)系統(tǒng)，并進(jìn)行迭代 2.4 在不同的劃分上進(jìn)行訓(xùn)練并測(cè)試 2.5 不匹配數(shù)據(jù)劃分的偏差和誤差 2.6 定位數(shù)據(jù)不匹配 2.7 遷移學(xué)習(xí) 2.8 多任務(wù)學(xué)習(xí) 2.9 什么是端到端的深度學(xué)習(xí) 2.10 是否要使用端到端的深度學(xué)習(xí) 2.11 總結(jié)
采訪	大牛采訪
傳送門 —>	Andrej Karpathy Ruslan Salakhutdinov

第二課

《改善神經(jīng)網(wǎng)絡(luò)》筆記列表

Week 1	深度學(xué)習(xí)的實(shí)用層面
Week 1 傳送門 —>	1.1 訓(xùn)練/開(kāi)發(fā)/測(cè)試集 1.2 偏差/方差 1.3 機(jī)器學(xué)習(xí)基礎(chǔ) 1.4 正則化 1.5 為什么正則化可以減少過(guò)擬合 1.6 Dropout 正則化 1.7 理解 Dropout 1.8 其他正則化方法 1.9 歸一化輸入 1.10 梯度消失與梯度爆炸 1.11 神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化 1.12 梯度的數(shù)值逼近 1.13 梯度檢驗(yàn) 1.14 關(guān)于梯度檢驗(yàn)實(shí)現(xiàn)的注記 1.15 總結(jié)
Week 2	優(yōu)化算法
Week 2 傳送門 —>	2.1 Mini-batch 梯度下降 2.2 理解 mini-batch 梯度下降法 2.3 指數(shù)加權(quán)平均 2.4 理解指數(shù)加權(quán)平均 2.5 指數(shù)加權(quán)平均的偏差修正 2.6 動(dòng)量梯度下降法 2.7 RMSprop 2.8 Adam 優(yōu)化算法 2.9 學(xué)習(xí)率衰減 2.10 局部最優(yōu)的問(wèn)題 2.11 總結(jié)
Week 3	超參數(shù)調(diào)試、Batch正則化和程序框架
Week 3 傳送門 —>	3.1 調(diào)試處理 3.2 為超參數(shù)選擇合適的范圍 3.3 超參數(shù)訓(xùn)練的實(shí)踐: Pandas vs. Caviar 3.4 正則化網(wǎng)絡(luò)的激活函數(shù) 3.5 將 Batch Norm 擬合進(jìn)神經(jīng)網(wǎng)絡(luò) 3.6 Batch Norm 為什么奏效 3.7 測(cè)試時(shí)的 Batch Norm 3.8 Softmax 回歸 3.9 訓(xùn)練一個(gè) Softmax 分類器 3.10 深度學(xué)習(xí)框架 3.11 TensorFlow 3.12 總結(jié)
采訪	大牛采訪
傳送門 —>	Yoshua Yuanqing Lin

第一課

《神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)》筆記列表

Week 1	深度學(xué)習(xí)概論
Week 1 傳送門 —>	1.1 歡迎 1.2 什么是神經(jīng)網(wǎng)絡(luò) 1.3 用神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí) 1.4 為什么深度學(xué)習(xí)會(huì)興起 1.5 關(guān)于這門課 1.6 課程資源 1.7 總結(jié)習(xí)題
Week 2	神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
Week 2 傳送門 —>	2.1 二元分類 2.2 Logistic 回歸 2.3 Logistic 回歸損失函數(shù) 2.4 梯度下降法 2.5 導(dǎo)數(shù) 2.6 更多導(dǎo)數(shù)的例子 2.7 計(jì)算圖 2.8 計(jì)算圖的導(dǎo)數(shù)計(jì)算 2.9 Logistic 回歸的梯度下降法 2.10 m 個(gè)樣本的梯度下降 2.11 向量化 2.12 向量化的更多例子 2.13 向量化 Logistic 回歸 2.14 向量化 Logistic 回歸的梯度輸出 2.15 Python 中的廣播 2.16 關(guān)于 Python Numpy 向量的說(shuō)明 2.17 Jupyter/iPython 筆記本的快速指南 2.18 Logistic 損失函數(shù)的解釋 2.19 總結(jié)習(xí)題
Week 3	淺層神經(jīng)網(wǎng)絡(luò)
Week 3 傳送門 —>	3.1 神經(jīng)網(wǎng)絡(luò)概覽 3.2 神經(jīng)網(wǎng)絡(luò)表示 3.3 計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出 3.4 多個(gè)例子中的向量化 3.5 向量化實(shí)現(xiàn)的解釋 3.6 激活函數(shù) 3.7 為什么需要非線性激活函數(shù) 3.8 激活函數(shù)的導(dǎo)數(shù) 3.9 神經(jīng)網(wǎng)絡(luò)的梯度下降法 3.10 直觀理解反向傳播 3.11 隨機(jī)初始化 3.12 總結(jié)習(xí)題
Week 4	深層神經(jīng)網(wǎng)絡(luò)
Week 4 傳送門 —>	4.1 深層神經(jīng)網(wǎng)絡(luò) 4.2 深層網(wǎng)絡(luò)中的前向傳播 4.3 核對(duì)矩陣的維數(shù) 4.4 為什么使用深層表示 4.5 搭建深層神經(jīng)網(wǎng)絡(luò)塊 4.6 前向和反向傳播 4.7 參數(shù) vs. 超參數(shù) 4.8 這和大腦有什么關(guān)系 4.9 總結(jié)習(xí)題
采訪	大牛采訪
傳送門 —>	Geoffery Hinton Pieter Abbeel Ian Goodfellow

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的0.0 目录-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。