deeplearning.ai 神经网络和深度学习

deeplearning.ai深度学习5个入门课程的第一门课。

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。


课程主页

网易云课堂 课程主页

coursera 课程主页

课程组成

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。