摘要： 
本节介绍目标检测，是计算机视觉中最典型的应用之一，主要内容包括：目标定位，特征点检测，目标检测，边框预测，非极大值抑制，YOLO，RCNN等。 阅读全文
本节介绍目标检测，是计算机视觉中最典型的应用之一，主要内容包括：目标定位，特征点检测，目标检测，边框预测，非极大值抑制，YOLO，RCNN等。 阅读全文
摘要： 
本节展开介绍典型的CNN结构（LeNet-5、AlexNet、VGG），以及 ResNet(Residual Network，残差网络)，Inception Neural Network，1x1卷积，迁移学习，数据扩增和手工工程与计算机现状等知识点 阅读全文
本节展开介绍典型的CNN结构（LeNet-5、AlexNet、VGG），以及 ResNet(Residual Network，残差网络)，Inception Neural Network，1x1卷积，迁移学习，数据扩增和手工工程与计算机现状等知识点 阅读全文
摘要： 
卷积计算、填充，卷积神经网络单层结构，池化层结构，卷积神经网络典型结构，CNN特点与优势。 阅读全文
卷积计算、填充，卷积神经网络单层结构，池化层结构，卷积神经网络典型结构，CNN特点与优势。 阅读全文
摘要： 
本节覆盖构建机器学习项目的后半部分内容，包括：错误分析(error analysis)，错误标签情况及修正，数据分布和数据不匹配问题及解决办法，迁移学习，多任务学习，端到端学习。 阅读全文
本节覆盖构建机器学习项目的后半部分内容，包括：错误分析(error analysis)，错误标签情况及修正，数据分布和数据不匹配问题及解决办法，迁移学习，多任务学习，端到端学习。 阅读全文
摘要： 
本节覆盖机器学习中的一些策略和方法，让我们能够更快更有效地让机器学习系统工作，内容包括：正交化方法，建立单值评价指标，数据集划分要点，人类水平误差与可避免偏差，提高机器学习模型性能总结等。 阅读全文
本节覆盖机器学习中的一些策略和方法，让我们能够更快更有效地让机器学习系统工作，内容包括：正交化方法，建立单值评价指标，数据集划分要点，人类水平误差与可避免偏差，提高机器学习模型性能总结等。 阅读全文
摘要： 
本节介绍超参数调试、批归一化和深度学习编程框架三个部分，内容包括：超参数优先级与调参技巧，超参数的合适范围确定，Batch Normalization，softmax回归，深度学习框架等。 阅读全文
本节介绍超参数调试、批归一化和深度学习编程框架三个部分，内容包括：超参数优先级与调参技巧，超参数的合适范围确定，Batch Normalization，softmax回归，深度学习框架等。 阅读全文
摘要： 
本节介绍深度神经网络中的一些优化算法，使用这些技巧和方法来提高神经网络的训练速度和精度：mini-batch，随机梯度下降，指数加权平均，动量梯度下降、RMSprop和Adam算法，学习率衰减法等 阅读全文
本节介绍深度神经网络中的一些优化算法，使用这些技巧和方法来提高神经网络的训练速度和精度：mini-batch，随机梯度下降，指数加权平均，动量梯度下降、RMSprop和Adam算法，学习率衰减法等 阅读全文
摘要： 
本篇讲解如何优化神经网络模型，包括Train / Dev / Test sets的切分和比例选择，Bias和Variance的相关知识，防止过拟合的方法，规范化输入以加快梯度下降速度和精度，梯度消失和梯度爆炸的原因及处理方法，梯度检查。 阅读全文
本篇讲解如何优化神经网络模型，包括Train / Dev / Test sets的切分和比例选择，Bias和Variance的相关知识，防止过拟合的方法，规范化输入以加快梯度下降速度和精度，梯度消失和梯度爆炸的原因及处理方法，梯度检查。 阅读全文
摘要： 
本节讨论深层神经网络，包括深层神经网络的结构、深层神经网络前向传播和反向传播过程、需要深层神经网络的原因、神经网络参与超参数、神经网络与人脑简单对比。 阅读全文
本节讨论深层神经网络，包括深层神经网络的结构、深层神经网络前向传播和反向传播过程、需要深层神经网络的原因、神经网络参与超参数、神经网络与人脑简单对比。 阅读全文
摘要： 
本文从浅层神经网络入手，讲解神经网络的基本结构(输入层，隐藏层和输出层)，浅层神经网络前向传播和反向传播过程，神经网络参数的梯度下降优化，不同的激活函数的优缺点及非线性的原因 阅读全文
本文从浅层神经网络入手，讲解神经网络的基本结构(输入层，隐藏层和输出层)，浅层神经网络前向传播和反向传播过程，神经网络参数的梯度下降优化，不同的激活函数的优缺点及非线性的原因 阅读全文