deeplearning.ai

神经网络和深度学习

图片
课程概述

这是深度学习工程师微专业中的第一门课。


这门课将为你介绍深度学习的基础知识。学完这门课,你将能够:

-      理解驱动深度学习的主要技术趋势。

-      能够搭建、训练并且运用全连接的深层神经网络。

-      了解如何实现高效的(向量化)的神经网络。

-      理解神经网络架构中的关键参数。

 

这门课将会详尽地介绍深度学习的基本原理,而不仅仅只进行理论概述。


当你完成这门微专业之后,你就能够将深度学习运用到你的个人应用中,调教出属于你自己的AI。


如果你正在找与人工智能有关的工作,那么,在学习完这门课后,应对面试官提问的基础面试问题就绰绰有余了。


本课程为深度学习系列课程第一讲,完整中文课程请到网易云课堂学习
制作方:deeplearning.ai
原载于:Coursera

证书要求


预备知识

需要有基本的数学、编程和机器学习基础。

授课大纲

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  更多梯度下降法的例子

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  多个例子中的向量化

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  前向和反向传播

4.3  深层网络中的前向传播

4.4  核对矩阵的维数

4.5  为什么使用深层表示

4.6  搭建深层神经网络块

4.7  参数 VS 超参数

4.8  这和大脑有什么关系?


分享