吴恩达深度学习课程：深度学习入门笔记全集目录
<table border="1" ><tbody><tr>
<th>课程</th>
<th>周数</th>
<th>类别</th>
<th>内容</th>
</tr>
<tr>
<td rowspan="15">课程一：神经网络和深度学习</td>
<td rowspan="2">第一周：深度学习简介</td>
<td>理论</td>
<td >（1）深度学习简介</td>
</tr>
<tr>
<td>实践</td>
<td>无</td>
</tr>
<tr>
<td rowspan="7">第二周：神经网络基础</td>
<td rowspan="6">理论</td>
<td >（1）回归基础 </td>
</tr>
<tr><td >（2）分类与逻辑回归</td></tr>
<tr><td >（3）梯度下降法</td></tr>
<tr><td >（4）损失函数与传播</td></tr>
<tr><td >（5）向量化</td></tr>
<tr><td >（6）向量化的反向传播</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="4">第三周：浅层神经网络</td>
<td rowspan="3">理论</td>
<td >（1）正向传播</td>
</tr>
<tr><td >（2）激活函数和反向传播</td></tr>
<tr><td >（3）初始化</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="2">第四周：深度神经网络的关键概念</td>
<td>理论</td>
<td >（1）深度神经网络的关键概念</td>
</tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="19">课程二： 改善深层神经网络</td>
<td rowspan="7"> 第一周：深度学习的实践</td>
<td rowspan="6">理论</td>
<td >（1）偏差与方差</td>
</tr>
<tr><td >（2）L2正则化</td></tr>
<tr><td >（3）dropout正则化</td></tr>
<tr><td >（4）其他缓解过拟合的方法 </td></tr>
<tr><td >（5）归一化</td></tr>
<tr><td >（6）梯度现象和梯度检验</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="6">第二周：优化算法</td>
<td rowspan="5">理论</td>
<td >（1）Mini-batch 梯度下降</td>
</tr>
<tr><td >（2）指数加权平均和学习率衰减</td></tr>
<tr><td >（3）Momentum梯度下降法</td></tr>
<tr><td >（4）RMSprop</td></tr>
<tr><td >（5）Adam 优化算法 </td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="6"> 第三周：超参数调整，批量标准化和编程框架</td>
<td rowspan="5">理论</td>
<td >（1）超参数调整</td>
</tr>
<tr><td >（2）batch归一化</td></tr>
<tr><td >（3）多值预测与多分类 </td></tr>
<tr><td >（4）编程框架</td></tr>
<tr><td >（5）框架演示</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="10">课程三： 结构化机器学习项目</td>
<td rowspan="4">第一周：机器学习策略</td>
<td rowspan="3">理论</td>
<td >（1）正交化调优和评估指标</td>
</tr>
<tr><td >（2）数据集设置</td></tr>
<tr><td >（3）模型性能与“人类性能”</td></tr>
<tr>
<td>实践</td>
<td>无</td>
</tr>
<tr>
<td rowspan="6">第二周：误差分析与学习方法</td>
<td rowspan="5">理论</td>
<td >（1）误差分析与快速迭代</td>
</tr>
<tr><td >（2）数据不匹配问题 </td></tr>
<tr><td >（3）迁移学习</td></tr>
<tr><td >（4）多任务学习</td></tr>
<tr><td >（5）端到端学习</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="18">课程四：计算机视觉</td>
<td rowspan="5">第一周：卷积基础知识</td>
<td rowspan="4">理论</td>
<td >（1）图像处理基础</td>
</tr>
<tr><td >（2）卷积参数</td></tr>
<tr><td >（3）简单卷积网络</td></tr>
<tr><td >（4）池化操作与卷积中的反向传播</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="5">第二周：经典网络结构</td>
<td rowspan="4">理论</td>
<td >（1）经典卷积网络</td>
</tr>
<tr><td >（2）残差网络</td></tr>
<tr><td >（3）1×1卷积与Inception网络</td></tr>
<tr><td >（4）CV 方法论</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="5">第三周：检测算法</td>
<td rowspan="4">理论</td>
<td >（1）目标定位与特征点检测</td>
</tr>
<tr><td >（2）目标检测算法</td></tr>
<tr><td >（3）交并比、非极大值抑制和锚框</td></tr>
<tr><td >（4）YOLO 的完整传播过程</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="3">第四周：卷积网络应用</td>
<td rowspan="2">理论</td>
<td >（1）人脸识别</td>
</tr>
<tr><td >（2）图像风格转换</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="20">课程五：自然语言处理</td>
<td rowspan="8"> 第一周：循环神经网络</td>
<td rowspan="7">理论</td>
<td >（1）序列数据与序列模型</td>
</tr>
<tr><td >（2）循环神经网络</td></tr>
<tr><td >（3）语言模型</td></tr>
<tr><td >（4）RNN 中的梯度现象</td></tr>
<tr><td >（5）门控循环单元 GRU</td></tr>
<tr><td >（6）长短期记忆 LSTM</td></tr>
<tr><td >（7）双向 RNN 与深层 RNN</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="7">第二周：词嵌入</td>
<td rowspan="6">理论</td>
<td >（1）词汇表征和类比推理</td>
</tr>
<tr><td >（2）词嵌入模型原理</td></tr>
<tr><td >（3）Word2Vec</td></tr>
<tr><td >（4）分层 softmax 和负采样</td></tr>
<tr><td >（5）GloVe 算法</td></tr>
<tr><td >（6）情绪分类和词嵌入除偏</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="5">第三周：序列模型与注意力机制</td>
<td rowspan="4">理论</td>
<td >（1）seq2seq 模型</td>
</tr>
<tr><td >（2）束搜索</td></tr>
<tr><td >（3）注意力机制</td></tr>
<tr><td >（4）语音识别和触发字检测</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
</tbody></table><br>来源：程序园用户自行投稿发布，如果侵权，请联系站长删除<br>免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ 东西不错很实用谢谢分享 感谢，下载保存了 感谢分享，下载保存了，貌似很强大 谢谢楼主提供！ 谢谢分享，试用一下 收藏一下 不知道什么时候能用到 感谢发布原创作品，程序园因你更精彩 这个好，看起来很实用 用心讨论，共获提升！ 过来提前占个楼
页:
[1]