厚积而薄发

第三周 序列模型和注意力机制（Sequence models & Attention mechanism）文章目录**第三周 序列模型和注意力机制（**Sequence models & Attention mechanism**）**3.1 基础模型（Basic Models）3.2 选择最可能的句子（Picking the most likely sentence）3.3 集束搜索（Beam Search）3.4 改进集束搜索（Refinements to Beam Search）3.

第二周 自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）文章目录第二周 自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）2.1 词汇表征（Word Representation）2.2 使用词嵌入（Using Word Embeddings）2.3 词嵌入的特性（Properties of Word Embeddings）2.4 嵌入矩阵（Embedding Matr

第五门课 序列模型(Sequence Models)第一周 循环序列模型（Recurrent Neural Networks）文章目录第五门课 序列模型(Sequence Models)第一周 循环序列模型（Recurrent Neural Networks）1.1 为什么选择序列模型？（Why Sequence Models?）1.2 数学符号（Notation）1.3 循环神经网络模型（Recurrent Neural Network Model）1.4 通过时间的反向传播（Backpropagat

第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）文章目录第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）4.1 什么是人脸识别？（What is face recognition?）4.2 One-Shot学习（One-shot learning）4.3 S

第三周 目标检测（Object detection）文章目录第三周 目标检测（Object detection）3.1 目标定位（Object localization）3.2 特征点检测（Landmark detection）3.3 目标检测（Object detection）3.4 滑动窗口的卷积实现（Convolutional implementation of sliding windows）3.5 Bounding Box预测（Bounding box predictions）3.6 交并比（I

第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）文章目录第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）2.1 为什么要进行实例探究？（Why look at case studies?）2.2 经典网络（Classic networks）2.3 残差网络(ResNets)（Residual Networks (ResNets)）2.4 残差网络为什么有用？（Why ResNet

第四门课 卷积神经网络（Convolutional Neural Networks）第一周 卷积神经网络（Foundations of Convolutional Neural Networks）文章目录第四门课 卷积神经网络（Convolutional Neural Networks）第一周 卷积神经网络（Foundations of Convolutional Neural Networks）1.1 计算机视觉（Computer vision）1.2 边缘检测示例（Edge detection ex

第二周：机器学习策略（2）(ML Strategy (2))文章目录第二周：机器学习策略（2）(ML Strategy (2))2.1 进行误差分析（Carrying out error analysis）2.2 清除标注错误的数据（Cleaning up Incorrectly labeled data）2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）2.4 使用来自不同分布的数据，进行训练和测试（Training

第三门课 结构化机器学习项目（Structuring Machine Learning Projects）第一周 机器学习（ML）策略（1）（ML strategy（1））文章目录第三门课 结构化机器学习项目（Structuring Machine Learning Projects）第一周 机器学习（ML）策略（1）（ML strategy（1））1.1 为什么是ML策略？（Why ML Strategy?）1.2 正交化（Orthogonalization）1.3 单一数字评估指标（Single n

第三周 超参数调试、Batch正则化和程序框架（Hyperparameter tuning）文章目录第三周 超参数调试、Batch正则化和程序框架（Hyperparameter tuning）3.1 调试处理（Tuning process）3.2 为超参数选择合适的范围（Using an appropriate scale to pick hyperparameters）3.3 超参数调试的实践：Pandas VS Caviar（Hyperparameters tuning in practice: Pa

第二周：优化算法 (Optimization algorithms)文章目录第二周：优化算法 (Optimization algorithms)2.1 Mini-batch 梯度下降（Mini-batch gradient descent）2.2 理解mini-batch梯度下降法（Understanding mini-batch gradient descent）2.3 指数加权平均数（Exponentially weighted averages）2.4 理解指数加权平均数（Understanding

第二门课 改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization)第一周：深度学习的实践层面(Practical aspects of Deep Learning)文章目录第二门课 改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regul

第四周：深层神经网络(Deep Neural Networks)文章目录第四周：深层神经网络(Deep Neural Networks)4.1 深层神经网络（Deep L-layer neural network）4.2 前向传播和反向传播（Forward and backward propagation）4.3 深层网络中的前向传播（Forward propagation in a Deep Network）4.4 核对矩阵的维数（Getting your matrix dimensions right

第三周：浅层神经网络(Shallow neural networks)文章目录第三周：浅层神经网络(Shallow neural networks)3.1 神经网络概述（Neural Network Overview）3.2 神经网络的表示（Neural Network Representation）3.3 计算一个神经网络的输出（Computing a Neural Network's output）3.4 多样本向量化（Vectorizing across multiple examples）3.5

第二周：神经网络的编程基础(Basics of Neural Network programming)文章目录第二周：神经网络的编程基础(Basics of Neural Network programming)2.1 二分类(Binary Classification)2.2 逻辑回归(Logistic Regression)2.3 逻辑回归的代价函数（Logistic Regression Cost Function）2.4 梯度下降法（Gradient Descent）2.5 导数（Derivati

第一门课 神经网络和深度学习(Neural Networks and Deep Learning)文章目录第一门课 神经网络和深度学习(Neural Networks and Deep Learning)@[toc]第一周：深度学习引言(Introduction to Deep Learning)1.1 欢迎(Welcome)1.2 什么是神经网络？(What is a Neural Network)1.3 神经网络的监督学习(Supervised Learning with Neural Networ