吴恩达深度学习课程笔记
神经网络和深度学习
课程
- 1-1深度学习概述
- 2-1 神经网络的编程基础
- 2-2 逻辑回归代价函数与梯度下降
- 2-3 计算图与逻辑回归中的梯度下降
- 2-4 向量化
- 2-5 向量化逻辑回归
- 2-6 向量化 logistic 回归的梯度输出
- 2-7 Python 中的广播
- 2-8 关于 python _ numpy 向量的说明
- 2-9 logistic 损失函数的解释
- 3-1 神经网络概述
- 3-2 神经网络的表示
- 3-3 计算一个神经网络的输出
- 3-4 多样本向量化
- 3-5 激活函数
- 3-6 激活函数的导数
- 3-7 神经网络的梯度下降
- 3-8 随机初始化
- 4-1 深层神经网络
- 4-2 前向传播和反向传播
- 4-3 核对矩阵的维数
- 4-4 为什么使用深层表示?
- 4-5 搭建神经网络块
- 4-6 参数 VS 超参数
作业
- Python Basics with Numpy
- Logistic Regression with a Neural Network mindset
- Planar data classification with one hidden layer
- Building your Deep Neural Network: Step by Step
- Deep Neural Network for Image Classification: Application
改善深层神经网络:超参数调试、正则化以及优化
课程
- 1-1 训练,验证,测试集
- 1-2 偏差,方差
- 1-3 机器学习基础
- 1-4 正则化
- 1-5 为什么正则化有利于预防过拟合呢?
- 1-6 dropout 正则化
- 1-7 理解 dropout
- 1-8 其他正则化方法
- 1-9 归一化输入
- 1-10 梯度消失/梯度爆炸
- 1-11 神经网络的权重初始化
- 1-12 梯度的数值逼近
- 1-13 梯度检验
- 1-14 梯度检验应用的注意事项
- 2-1 Mini-batch 梯度下降
- 2-2 理解 mini-batch 梯度下降法
- 2-3 指数加权平均数
- 2-4 指数加权平均的偏差修正
- 2-5 动量梯度下降法
- 2-6 RMSprop
- 2-7 Adam 优化算法
- 2-8 学习率衰减
- 2-9 局部最优的问题
- 3-1 调试处理
- 3-2 为超参数选择合适的范围
- 3-3 超参数训练的实践
- 3-4 归一化网络的激活函数
- 3-5 将 Batch Norm 拟合进神经网络
- 3-6 Batch Norm 为什么奏效?
- 3-7 测试时的 Batch Norm
- 3-8 Softmax 回归
- 3-9 训练一个 Softmax 分类器
- 3-10 TensorFlow
结构化机器学习项目
课程
- 1-1 正交化
- 1-2 单一数字评估指标
- 1-3 满足和优化指标
- 1-4 训练/开发/测试集划分
- 1-5 什么时候该改变开发/测试集和指标?
- 1-6 为什么是人的表现?
- 1-7 可避免偏差
- 1-8 理解人的表现
- 1-9 超过人的表现
- 1-10 改善你的模型的表现
- 2-1 进行误差分析
- 2-2 清除标注错误的数据
- 2-3 快速搭建你的第一个系统,并进行迭代
- 2-4 在不同的划分上进行训练并测试
- 2-5 不匹配数据划分的偏差和方差
- 2-6 定位数据不匹配
- 2-7 迁移学习
- 2-8 多任务学习
- 2-9 什么是端到端的深度学习?
- 2-10 是否要使用端到端的深度学习?
卷积神经网络
- 1-1 计算机视觉
- 1-2 边缘检测示例
- 1-3 更多边缘检测内容
- 1-4 Padding
- 1-5 卷积步长
- 1-6 三维卷积
- 1-7 单层卷积网络
- 1-8 简单卷积网络示例
- 1-9 池化层(Pooling layers)
- 1-10 卷积神经网络示例
- 1-11 为什么使用卷积?
- 2-1 经典网络
- 2-2 残差网络
- 2-3 残差网络为什么有用?
- 2-4 网络中的网络以及 1×1 卷积
- 2-5 谷歌 Inception 网络简介
- 2-6 Inception 网络
- 2-7 迁移学习
- 2-8 数据扩充
- 2-9 计算机视觉现状
- 3-1 目标定位
- 3-2 特征点检测
- 3-3 目标检测
- 3-4 卷积的滑动窗口实现
- 3-5 Bounding Box 预测
- 3-6 交并比
- 3-7 非极大值抑制
- 3-8 Anchor Boxes
- 3-9 YOLO 算法
- 3-10 候选区域
- 4-1 One-Shot 学习
- 4-2 Siamese 网络
- 4-3 Triplet 损失
- 4-4 面部验证与二分类
- 4-5 什么是神经风格转换?
- 4-6 什么是深度卷积网络 ?
- 4-7 代价函数
- 4-8 内容代价函数
- 4-9 风格代价函数
- 4-10 一维到三维推广
__EOF__

本文作者:刘皇叔
本文链接:https://www.cnblogs.com/xiaojianliu/p/9460472.html
关于博主:评论和私信会在第一时间回复。或者直接私信我。
版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!
声援博主:如果您觉得文章对您有帮助,可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力!
本文链接:https://www.cnblogs.com/xiaojianliu/p/9460472.html
关于博主:评论和私信会在第一时间回复。或者直接私信我。
版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!
声援博主:如果您觉得文章对您有帮助,可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力!
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· .NET Core 中如何实现缓存的预热?
· 从 HTTP 原因短语缺失研究 HTTP/2 和 HTTP/3 的设计差异
· AI与.NET技术实操系列:向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列:如何用heaptrack跟踪.NET程序的非托管内存泄露
· TypeScript + Deepseek 打造卜卦网站:技术与玄学的结合
· 阿里巴巴 QwQ-32B真的超越了 DeepSeek R-1吗?
· 如何调用 DeepSeek 的自然语言处理 API 接口并集成到在线客服系统
· 【译】Visual Studio 中新的强大生产力特性
· 2025年我用 Compose 写了一个 Todo App