吳恩達深度學習課程：深度學習入門筆記全集目錄
| 課程 |
週數 |
類別 |
內容 |
| 課程一：神經網絡和深度學習 |
第一週：深度學習簡介 |
理論 |
（1）深度學習簡介 |
| 實踐 |
無 |
| 第二週：神經網絡基礎 |
理論 |
（1）迴歸基礎 |
| （2）分類與邏輯迴歸 |
| （3）梯度下降法 |
| （4）損失函數與傳播 |
| （5）向量化 |
| （6）向量化的反向傳播 |
| 實踐 |
E & C |
| 第三週：淺層神經網絡 |
理論 |
（1）正向傳播 |
| （2）激活函數和反向傳播 |
| （3）初始化 |
| 實踐 |
E & C |
| 第四周：深度神經網絡的關鍵概念 |
理論 |
（1）深度神經網絡的關鍵概念 |
| 實踐 |
E & C |
| 課程二： 改善深層神經網絡 |
第一週：深度學習的實踐 |
理論 |
（1）偏差與方差 |
| （2）L2正則化 |
| （3）dropout正則化 |
| （4）其他緩解過擬合的方法 |
| （5）歸一化 |
| （6）梯度現象和梯度檢驗 |
| 實踐 |
E & C |
| 第二週：優化算法 |
理論 |
（1）Mini-batch 梯度下降 |
| （2）指數加權平均和學習率衰減 |
| （3）Momentum梯度下降法 |
| （4）RMSprop |
| （5）Adam 優化算法 |
| 實踐 |
E & C |
| 第三週：超參數調整，批量標準化和編程框架 |
理論 |
（1）超參數調整 |
| （2）batch歸一化 |
| （3）多值預測與多分類 |
| （4）編程框架 |
| （5）框架演示 |
| 實踐 |
E & C |
| 課程三： 結構化機器學習項目 |
第一週：機器學習策略 |
理論 |
（1）正交化調優和評估指標 |
| （2）數據集設置 |
| （3）模型性能與“人類性能” |
| 實踐 |
無 |
| 第二週：誤差分析與學習方法 |
理論 |
（1）誤差分析與快速迭代 |
| （2）數據不匹配問題 |
| （3）遷移學習 |
| （4）多任務學習 |
| （5）端到端學習 |
| 實踐 |
E & C |
| 課程四：計算機視覺 |
第一週：卷積基礎知識 |
理論 |
（1）圖像處理基礎 |
| （2）卷積參數 |
| （3）簡單卷積網絡 |
| （4）池化操作與卷積中的反向傳播 |
| 實踐 |
E & C |
| 第二週：經典網絡結構 |
理論 |
（1）經典卷積網絡 |
| （2）殘差網絡 |
| （3）1×1卷積與Inception網絡 |
| （4）CV 方法論 |
| 實踐 |
E & C |
| 第三週：檢測算法 |
理論 |
（1）目標定位與特徵點檢測 |
| （2）目標檢測算法 |
| （3）交併比、非極大值抑制和錨框 |
| （4）YOLO 的完整傳播過程 |
| 實踐 |
E & C |
| 第四周：卷積網絡應用 |
理論 |
（1）人臉識別 |
| （2）圖像風格轉換 |
| 實踐 |
E & C |
| 課程五：自然語言處理 |
第一週：循環神經網絡 |
理論 |
（1）序列數據與序列模型 |
| （2）循環神經網絡 |
| （3）語言模型 |
| （4）RNN 中的梯度現象 |
| （5）門控循環單元 GRU |
| （6）長短期記憶 LSTM |
| （7）雙向 RNN 與深層 RNN |
| 實踐 |
E & C |
| 第二週：詞嵌入 |
理論 |
（1）詞彙表徵和類比推理 |
| （2）詞嵌入模型原理 |
| （3）Word2Vec |
| （4）分層 softmax 和負採樣 |
| （5）GloVe 算法 |
| （6）情緒分類和詞嵌入除偏 |
| 實踐 |
E & C |
| 第三週：序列模型與注意力機制 |
理論 |
（1）seq2seq 模型 |
| （2）束搜索 |
| （3）注意力機制 |
| （4）語音識別和觸發字檢測 |
| 實踐 |
E & C |
0 位用戶收藏了這個故事！
