zchang81的博客

继吴恩达之后，2017 年 9 月 4 日，亚马逊的 AI 主任科学家李沐推出中文版【动手学深度学习】，帮助更多的 AI 技术学习者学习深度学习课程。

1、进行错误分析； 2、、快速构建系统并迭代； 3、在不同的数据分布上训练和测试； 4、迁移学习； 5、多任务学习； 6、end-to-end学习

1、使用ML策略； 2、评估指标； 3、Train/Dev/Test数据集； 4、改变评价标准； 5、人类水平表现

1、超参数; 2、正则化网络; 3、Softmax回归; 4、程序框架Tensorflow。

课程将展示如何训练和优化基本的神经网络NN，卷积神经网络CNN和长短期记忆网络LSTM。TensorFlow的完整学习系统将通过项目和任务进行介绍。

1、Mini-batch梯度下降法; 2、指数加权平均; 3、momentum、RMSProp、Adam优化算法; 4、学习率衰减.

1、训练/开发/测试集; 2、偏差/方差; 3、常用的几种正则化方法; 4、梯度消失和梯度爆炸.

1、用流程块图的方式详细推导正反向传播过程； 2、解释了深层神经网络的优势； 3、介绍了超参数的概念； 4、将神经网络与人脑做了类比。

吴恩达【深度学习工程师】专项课程包含以下五门课程：1、神经网络和深度学习；2、改善深层神经网络：超参数调试、正则化以及优化；3、结构化机器学习项目；4、卷积神经网络；5、序列模型。今天介绍《神经网络与深度学习》系列第四讲：浅层（shallow）神经网络。主要内容：1、描述神经网络的结构；2、以计算图的方式推导神经网络的前向传播；3、详细介绍了不同的激活函数；4、介绍了神经网络的反向传播过程以及各个...

1、向量化； 2、python/numpy的一些特性； 3、逻辑回归代价函数（cost function）的解释。

1、二分类问题； 2、逻辑回归及其对应的代价函数形式； 3、用计算图描述神经网络的正向、反向传播过程； 4、在逻辑回归中使用梯度下降算法。

1、使用房价预测的例子来建立神经网络模型； 2、介绍不同的神经网络类型：Standard NN、CNN 及 RNN； 3、在处理非结构化数据上，深度学习近年来发展的非常快； 4、深度学习飞速发展的三要素：大数据、GPU计算及深度学习算法。

今早，吴恩达在 Medium 上发布了一篇博客，宣布 Deeplearning.ai 项目正式启动。同时表示今天发布的项目仅仅是他正在发布的三大项目中的第一个。吴恩达表示：Deepleanring.ai 是一套教育课程。

CS231n Spring 2017 由李飞飞主讲，Goodfellow等人对其中部分章节有介绍。内容重点包括计算机视觉的基础、CNN、RNN、GAN、RL等深度模型在计算机视觉上的应用。

斯坦福大学CS224n（全称：深度学习与自然语言处理）是自然语言处理领域很受欢迎的课程，由 Chris Manning 和 Richard Socher 主讲。

吴恩达【深度学习工程师】专项课程包含以下五门课程：1、神经网络和深度学习；2、改善深层神经网络：超参数调试、正则化以及优化；3、结构化机器学习项目；4、卷积神经网络；5、序列模型。今天介绍《卷积神经网络》系列第一讲：卷积神经网络主要内容：1、计算机视觉2、边缘检测3、padding4、卷积步长5、cnn示例计算