- 1·0_欢迎
- 2·1_神经网络基础概念
- 3·2_神经网络监督学习
- 4·3_深度学习崛起原因
- 5·4_课程介绍
- 6·5_Geoffrey Hinton访谈
- 7·6_二分类
- 8·7_逻辑回归
- 9·8_逻辑回归损失函数
- 10·9_梯度下降
- 11·10_导数计算
- 12·11_更多导数示例
- 13·12_计算图
- 14·13_计算图导数计算
- 15·14_逻辑回归梯度下降
- 16·15_多样本梯度下降
- 17·16_向量化
- 18·17_更多向量化示例
- 19·18_逻辑回归向量化
- 20·19_逻辑回归梯度向量化
- 21·20_Python广播机制
- 22·21_Python-Numpy向量注意事项
- 23·22_Jupyter-IPython笔记本快速指南
- 24·23_逻辑回归损失函数解析(可选)
- 25·24_Pieter Abbeel访谈
- 26·25_神经网络概览
- 27·26_神经网络表示方法
- 28·27_神经网络输出计算
- 29·28_多样本向量化
- 30·29_向量化实现解析
- 31·30_激活函数
- 32·31_非线性激活必要性
- 33·32_激活函数导数
- 34·33_神经网络梯度下降
- 35·34_反向传播直观理解(可选)
- 36·35_随机初始化
- 37·36_Ian Goodfellow访谈
- 38·37_深度L层神经网络
- 39·38_深度网络前向传播
- 40·39_矩阵维度匹配
- 41·40_深度表示优势
- 42·41_深度神经网络构建模块
- 43·42_前向与反向传播
- 44·43_参数与超参数
- 45·44_与大脑的关联性
- 46·0_训练集-验证集-测试集
- 47·1_偏差与方差
- 48·2_机器学习基础流程
- 49·3_正则化
- 50·4_正则化缓解过拟合机理
- 51·5_Dropout正则化
- 52·6_理解Dropout
- 53·7_其他正则化方法
- 54·8_输入归一化
- 55·9_梯度消失与爆炸
- 56·10_深度网络权重初始化
- 57·11_梯度数值逼近
- 58·12_梯度检验
- 59·13_梯度检验实现要点
- 60·14_Yoshua Bengio访谈
- 61·15_小批量梯度下降
- 62·16_理解小批量梯度下降
- 63·17_指数加权平均
- 64·18_理解指数加权平均
- 65·19_指数加权平均偏差修正
- 66·20_动量梯度下降
- 67·21_RMSProp优化
- 68·22_Adam优化算法
- 69·23_学习率衰减
- 70·24_局部最优问题
- 71·25_林元庆访谈
- 72·26_调参流程
- 73·27_超参数尺度选择
- 74·28_超参数调优实践-熊猫策略vs鱼子酱策略
- 75·29_网络激活归一化
- 76·30_整合批量归一化到神经网络
- 77·31_批量归一化原理
- 78·32_测试阶段的批量归一化
- 79·33_Softmax回归
- 80·34_训练Softmax分类器
- 81·35_深度学习框架
- 82·36_TensorFlow
- 83·0_机器学习策略意义
- 84·1_正交化原则
- 85·2_单一评估指标
- 86·3_满足指标与优化指标
- 87·4_训练-验证-测试集分布
- 88·5_验证集和测试集规模
- 89·6_何时调整评估指标与数据集
- 90·7_人类水平性能意义
- 91·8_可避免偏差
- 92·9_理解人类水平性能
- 93·10_超越人类水平表现
- 94·11_提升模型性能
- 95·12_Andrej Karpathy访谈
- 96·13_误差分析实践
- 97·14_清理错误标注数据
- 98·15_快速构建初始系统并迭代
- 99·16_跨分布训练与测试
- 100·17_数据分布不匹配的偏差与方差
- 101·18_解决数据不匹配
- 102·19_迁移学习
- 103·20_多任务学习
- 104·21_端到端深度学习定义
- 105·22_端到端深度学习适用性
- 106·23_Ruslan Salakhutdinov访谈
- 107·0_计算机视觉
- 108·1_边缘检测示例
- 109·2_更多边缘检测
- 110·3_填充
- 111·4_步长卷积
- 112·5_三维卷积
- 113·6_卷积网络单层结构
- 114·7_简单卷积网络示例
- 115·8_池化层
- 116·9_卷积神经网络实例
- 117·10_卷积的优势
- 118·11_Yann LeCun访谈
- 119·12_案例研究的价值
- 120·13_经典网络架构
- 121·14_残差网络
- 122·15_残差网络原理
- 123·16_网络中的网络与1x1卷积
- 124·17_Inception网络动机
- 125·18_Inception网络
- 126·19_移动网络
- 127·20_MobileNet架构
- 128·21_高效网络
- 129·22_使用开源实现
- 130·23_迁移学习
- 131·24_数据增强
- 132·25_计算机视觉现状
- 133·26_目标定位
- 134·27_关键点检测
- 135·28_目标检测
- 136·29_滑动窗口的卷积实现
- 137·30_边界框预测
- 138·31_交并比
- 139·32_非极大值抑制
- 140·33_锚框
- 141·34_YOLO算法
- 142·35_区域建议(可选)
- 143·36_U-Net语义分割
- 144·37_转置卷积
- 145·38_U-Net架构原理
- 146·39_U-Net架构
- 147·40_人脸识别原理
- 148·41_单样本学习
- 149·42_孪生网络
- 150·43_三元组损失
- 151·44_人脸验证与二元分类
- 152·45_神经风格迁移原理
- 153·46_深度卷积网络学习特征
- 154·47_损失函数
- 155·48_内容损失函数
- 156·49_风格损失函数
- 157·50_一维与三维推广
- 158·0_序列模型意义
- 159·1_符号表示
- 160·2_循环神经网络模型
- 161·3_时间反向传播
- 162·4_不同类型的RNN
- 163·5_语言模型与序列生成
- 164·6_新序列采样
- 165·7_RNN梯度消失
- 166·8_门控循环单元(GRU)
- 167·9_长短期记忆网络(LSTM)
- 168·10_双向RNN
- 169·11_深度RNN
- 170·12_词表示
- 171·13_词嵌入应用
- 172·14_词嵌入特性
- 173·15_嵌入矩阵
- 174·16_词嵌入学习
- 175·17_Word2Vec
- 176·18_负采样
- 177·19_GloVe词向量
- 178·20_情感分类
- 179·21_词嵌入去偏
- 180·22_基础模型
- 181·23_选择最可能句子
- 182·24_束搜索
- 183·25_束搜索优化
- 184·26_束搜索误差分析
- 185·27_BLEU分数(可选)
- 186·28_注意力机制原理
- 187·29_注意力模型
- 188·30_语音识别
- 189·31_唤醒词检测
- 190·32_Transformer网络原理
- 191·33_自注意力机制
- 192·34_多头注意力
- 193·35_Transformer网络
- 194·36_总结与致谢
内容简介:2026【吴恩达深度学习课程】deeplearning.ai(coursera)是一门系统性、全面性的深度学习入门与进阶课程,由人工智能领域权威专家吴恩达亲自设计并授课。课程内容覆盖了从神经网络基础概念到深度学习前沿技术的完整知识体系,适合对人工智能和机器学习感兴趣的学习者。课程目录包含194个章节,涵盖了神经网络、优化算法、正则化、计算机视觉、自然语言处理等多个核心领域,为学员提供了扎实的理论基础和丰富的实战经验。 课程概述 本课程由全球知名的deeplearning.ai平台推出,旨在帮助学习者掌握深度学习的核心原理和应用方法。课程以实践为导向,结合大量代码示例和项目练习,使学员能够快速上手并应用于实际场景。课程不仅讲解了神经网络的基础知识,还深入探讨了深度学习在计算机视觉、自然语言处理等领域的应用,帮助学习者构建完整的知识体系。 课程总节数与整体课程时长 本课程共分为194个章节,涵盖从基础到高级的多个主题。每个章节均配有详细的讲解视频和配套练习题,确保学习效果。课程总时长约为30小时,适合在职人士、学生及人工智能爱好者利用碎片时间进行系统学习。 学习后能力提升价值 完成本课程后,学习者将具备独立构建和训练深度学习模型的能力,掌握包括逻辑回归、神经网络、卷积神经网络、循环神经网络等多种模型的应用技巧。同时,课程还介绍了多种优化算法和正则化方法,帮助学员解决实际中遇到的过拟合、梯度消失等问题。 明确学习目标 本课程的目标是让学习者掌握深度学习的基本概念、算法原理和实际应用,能够独立开发和优化深度学习模型,并理解其在不同领域的适用性和局限性。 精准适用人群 本课程适用于对人工智能和机器学习感兴趣的初学者、希望转行进入AI行业的从业者,以及希望提升自身技能的专业人士。无论是否有编程基础,都能通过本课程找到适合自己的学习路径。 完整课程大纲 课程大纲从基础概念开始,逐步深入至深度学习的核心技术,涵盖神经网络结构、优化算法、正则化方法、计算机视觉、自然语言处理等多个方向。课程内容详实,逻辑清晰,适合系统学习和长期复习。









