吴恩达深度学习课程-学习资料
吴恩达深度学习课程,内容覆盖神经网络、深度学习、卷积神经网络、循环神经网络、计算机视觉、自然语言处理等

关键词标签: 吴恩达, 神经网络, 深度学习, 卷积神经网络, 循环神经网络, 计算机视觉, 自然语言处理
Deep Learning Specialization; 深度学习专项课程
🏆 课程学习中心 | 🚧 深度学习课程合辑 | 🌍 课程主页 | 📺 中英字幕视频 | 🚀 项目代码解析 | 📚 完整学习笔记
Deep Learning Specialization
深度学习专项课程
DeepLearning.ai AndrewNG
DeepLearning.ai 吴恩达
AndrewNG-DL
⭐⭐⭐⭐⭐


课程介绍

Deep Learning Specialization; 深度学习专项课程

人工智能正在改变许多行业。本门课程可以帮助学习者了解深度学习的基础知识与挑战,并为参与前沿 AI 技术的开发做好准备,是非常好的入门学习选择。

本门课程可以帮助学习者掌握知识和技能,并邀请工业界与学术界的深度学习专家为大家提供职业发展建议,提供一条迈向 AI 世界的清晰途径。

Deep Learning Specialization; 深度学习专项课程

在本课程中,学习者将构建和训练神经网络架构,例如卷积神经网络、循环神经网络、LSTM、Transformers,并学习如何使用 Dropout、BatchNorm、Xavier/He 初始化等策略进行优化。

此外,还将使用 Python 和 TensorFlow 掌握理论概念及其行业应用,并处理语音识别、音乐合成、聊天机器人、机器翻译、自然语言处理等现实案例。

Deep Learning Specialization; 深度学习专项课程

吴恩达 Andrew Ng,斯坦福大学计算机科学教授,前百度副总裁、首席科学家,Google Brain项目的发起人和领导者。


课程主题

课程包含五个重要的课程板块:


深度学习教程 | 吴恩达专项课程 全套笔记解读

深度学习教程 章节名称与链接 章节图
深度学习教程(1) 深度学习概论 深度学习概论
深度学习教程(2) 神经网络基础 神经网络基础
深度学习教程(3) 浅层神经网络 浅层神经网络
深度学习教程(4) 深层神经网络 深层神经网络
深度学习教程(5) 深度学习的实用层面 深度学习的实用层面
深度学习教程(6) 神经网络优化算法 神经网络优化算法
深度学习教程(7) 网络优化:超参数调优、正则化、批归一化和程序框架 网络优化:超参数调优、正则化、批归一化和程序框架
深度学习教程(8) AI应用实践策略(上) AI应用实践策略(上)
深度学习教程(9) AI应用实践策略(下) AI应用实践策略(下)
深度学习教程(10) 卷积神经网络解读 卷积神经网络解读
深度学习教程(11) 经典CNN网络实例详解 经典CNN网络实例详解
深度学习教程(12) CNN应用:目标检测 CNN应用:目标检测
深度学习教程(13) CNN应用:人脸识别和神经风格转换 CNN应用:人脸识别和神经风格转换
深度学习教程(14) 序列模型与RNN网络 序列模型与RNN网络
深度学习教程(15) 自然语言处理与词嵌入 自然语言处理与词嵌入
深度学习教程(16) Seq2seq序列模型和注意力机制 Seq2seq序列模型和注意力机制


课程资料 | 下载

Deep Learning Specialization; 深度学习专项课程

扫描上方图片二维码,关注公众号并回复关键字 🎯『AndrewNG-DL』,就可以获取整理完整的资料合辑啦!当然也可以点击 🎯 这里 查看更多课程的资料获取方式!

Deep Learning Specialization; 深度学习专项课程
Deep Learning Specialization; 深度学习专项课程

ShowMeAI 对课程资料进行了梳理,整理成这份完备且清晰的资料包:


课程视频 | 网易云课堂

Deep Learning Specialization; 深度学习专项课程
🌍 网易云课堂 | 【免费】深度学习工程师 | 吴恩达给你的人工智能第一课

本门课程,ShowMeAI 按照主题进行了整理。可以使用页面『Ctrl+F』对需要检索的内容进行快速定位。切分后的视频清单列写在这里:

第1门-神经网络和深度学习

编号 课时内容
P1 【第一周 深度学习概论】1.1 欢迎
P2 1.2 什么是神经网络?
P3 1.3 用神经网络进行监督学习
P4 1.4 为什么深度学习会兴起?
P5 1.5 关于这门课
P6 1.6 课程资源
P7 【第二周 神经网络基础】2.1 二分分类
P8 2.2 logistic 回归
P9
P10 2.4 梯度下降法
P11 2.5 导数
P12 2.6 更多导数的例子
P13 2.7 计算图
P14 2.8 计算图的导数计算
P15 2.9 logistic 回归中的梯度下降法
P16 2.10 m 个样本的梯度下降
P17 2.11 向量化
P18 2.12 向量化的更多例子
P19 2.13 向量化 logistic 回归
P20 2.14 向量化 logistic 回归的梯度输出
P21 2.15 Python 中的广播
P22 2.16 关于 python _ numpy 向量的说明
P23 2.17 Jupyter Ipython 笔记本的快速指南
P24 2.18 (选修)logistic 损失函数的解释
P25 【第三周 浅层神经网络】3.1 神经网络概览
P26 3.2 神经网络表示
P27 3.3 计算神经网络的输出
P28 3.4 多个例子中的向量化
P29 3.5 向量化实现的解释
P30 3.6 激活函数
P31 3.7 为什么需要非线性激活函数?
P32 3.8 激活函数的导数
P33 3.9 神经网络的梯度下降法
P34 3.10 (选修)直观理解反向传播
P35 3.11 随机初始化
P36 【第四周 深层神经网络】4.1 深层神经网络
P37 4.2 深层网络中的前向传播
P38 4.3 核对矩阵的维数
P39 4.4 为什么使用深层表示
P40 4.5 搭建深层神经网络块
P41 4.6 前向和反向传播
P42 4.7 参数 VS 超参数
P43 4.8 这和大脑有什么关系?
P44 【人工智能行业大师访谈】1. 吴恩达采访 Geoffrey Hinton
P45 【人工智能行业大师访谈】2. 吴恩达采访 Pieter Abbeel
P46 【人工智能行业大师访谈】3. 吴恩达采访 Ian Goodfellow

第2门-改善深层神经网络

编号 课时内容
P1 【第一周 深度学习的实用层面】1.1 训练_开发_测试集
P2 1.2 偏差_方差
P3 1.3 机器学习基础
P4 1.4 正则化
P5 1.5 为什么正则化可以减少过拟合?
P6 1.6 Dropout 正则化
P7 1.7 理解 Dropout
P8 1.8 其他正则化方法
P9 1.9 归一化输入
P10 1.10 梯度消失与梯度爆炸
P11 1.11 神经网络的权重初始化
P12 1.12 梯度的数值逼近
P13 1.13 梯度检验
P14 1.14 关于梯度检验实现的注记
P15 【第二周 优化算法】2.1 Mini-batch 梯度下降法
P16 2.2 理解 mini-batch 梯度下降法
P17 2.3 指数加权平均
P18 2.4 理解指数加权平均
P19 2.5 指数加权平均的偏差修正
P20 2.6 动量梯度下降法
P21 2.7 RMSprop
P22 2.8 Adam 优化算法
P23 2.9 学习率衰减
P24 2.10 局部最优的问题
P25 【第三周 超参数调试、Batch正则化和程序框架】3.1 调试处理
P26 3.2 为超参数选择合适的范围
P27 3.3 超参数训练的实践:Pandas VS Caviar
P28 3.4 正则化网络的激活函数
P29 3.5 将 Batch Norm 拟合进神经网络
P30 3.6 Batch Norm 为什么奏效?
P31 3.7 测试时的 Batch Norm
P32 3.8 Softmax 回归
P33 3.9 训练一个 Softmax 分类器
P34 3.10 深度学习框架
P35 3.11 TensorFlow
P36 【人工智能行业大师访谈】1. 吴恩达采访 Yoshua Bengio
P37 【人工智能行业大师访谈】2. 吴恩达采访 林元庆

第3门-结构化机器学习

编号 课时内容
P1 【第一周 机器学习(ML)策略(1)】1.1 为什么是 ML 策略
P2 1.2 正交化
P3 1.3 单一数字评估指标
P4 1.4 满足和优化指标
P5 1.5 训练_开发_测试集划分
P6 1.6 开发集合测试集的大小
P7 1.7 什么时候该改变开发 测试集和指标
P8 1.8 为什么是人的表现
P9 1.9 可避免偏差
P10 1.10 理解人的表现
P11 1.11 超过人的表现
P12 1.12 改善你的模型的表现
P13 【第二周 机器学习(ML)策略(2)】2.1 进行误差分析
P14 2.2 清除标注错误的数据
P15 2.3 快速搭建你的第一个系统,并进行迭代
P16 2.4 在不同的划分上进行训练并测试
P17 2.5 不匹配数据划分的偏差和方差
P18 2.6 定位数据不匹配
P19 2.7 迁移学习
P20 2.8 多任务学习
P21 2.9 什么是端到端的深度学习
P22 2.10 是否要使用端到端的深度学习
P23 【人工智能行业大师访谈】1. 采访 Andrej Karpathy
P24 【人工智能行业大师访谈】2. 采访 Ruslan Salakhutdinov

第4门-卷积神经网络

编号 课时内容
P1 【第一周 卷积神经网络】1.1 计算机视觉
P2 1.2 边缘检测示例
P3 1.3 更多边缘检测内容
P4 1.4 Padding
P5 1.5 卷积步长
P6 1.6 三维卷积
P7 1.7 单层卷积网络
P8 1.8 简单卷积网络示例
P9 1.9 池化层
P10 1.10 卷积神经网络示例
P11 1.11 为什么使用卷积?
P12 【第二周 深度卷积网络:实例探究】2.1 为什么要进行实例探究?
P13 2.2 经典网络
P14 2.3 残差网络
P15 2.4 残差网络为什么有用?
P16 2.5 网络中的网络以及 1×1 卷积
P17 2.6 谷歌 Inception 网络简介
P18 2.7 Inception 网络
P19 2.8 使用开源的实现方案
P20 2.9 迁移学习
P21 2.10 数据扩充
P22 2.11 计算机视觉现状
P23 【第三周 目标检测】3.1 目标定位
P24 3.2 特征点检测
P25 3.3 目标检测
P26 3.4 卷积的滑动窗口实现
P27 3.5 Bounding Box预测
P28 3.6 交并比
P29 3.7 非极大值抑制
P30 3.8 Anchor Boxes
P31 3.9 YOLO 算法
P32 3.10 候选区域
P33 【第四周 特殊应用:人脸识别和神经风格转换】4.1 什么是人脸识别?
P34 4.2 One-Shot 学习
P35 4.3 Siamese 网络
P36 4.4 Triplet 损失
P37 4.5 面部验证与二分类
P38 4.6 什么是神经风格转换?
P39 4.7 什么是深度卷积网络?
P40 4.8 代价函数
P41 4.9 内容代价函数
P42 4.10 风格代价函数
P43 4.11 一维到三维推广

第5门-序列数据建模

编号 课时内容
P1 【第一周 循环序列模型】1.1为什么选择序列模型
P2 1.2数学符号
P3 1.3循环神经网络
P4 1.4通过时间的方向传播
P5 1.5不同类型的循环神经网络
P6 1.6 语言模型和序列生成
P7 1.7 对新序列采样
P8 1.8带有神经网络的梯度消失
P9 1.9 GRU 单元
P10 1.10 长短期记忆(LSTM)
P11 1.11 双向神经网络
P12 1.12 深层循环神经网络
P13 【第二周 自然语言处理与词嵌入】2.1 词汇表征
P14 2.2 使用词嵌入
P15 2.3 词嵌入的特性
P16 2.4 嵌入矩阵
P17 2.5 学习词嵌入
P18 2.6 Word2Vec
P19 2.7 负采样
P20 2.8 GloVe 词向量
P21 2.9 情绪分类
P22 2.10 词嵌入除偏
P23 【第三周 序列模型和注意力机制】3.1 基础模型
P24 3.2 选择最可能的句子
P25 3.3 定向搜索
P26 3.4 改进定向搜索
P27 3.5 定向搜索的误差分析
P28 3.6 Bleu 得分(选修)
P29 3.7 注意力模型直观理解
P30 3.8 注意力模型
P31 3.9 语音辨识
P32 3.10 触发字检测
P33 3.11 结论和致谢


更多技术与课程清单 | 点击查看详细课程

技术方向 课程及链接
计算机数学基础 MIT-计算机科学的数学基础
辛辛那提大学-微积分I
辛辛那提大学-微积分II
辛辛那提大学-离散数学
斯坦福-线性代数与矩阵方法导论
计算机科学导论 斯坦福-计算机科学导论
哈佛-计算机科学导论
MIT-计算机科学与Python编程导论
数据结构与算法 MIT-数据结构与算法设计
马里兰大学-数据结构
数据库 CMU-数据库系统导论
CMU-数据库系统进阶
机器学习及应用 斯坦福CS229
MIT-机器学习导论
深度学习及应用 斯坦福CS230
哈佛-Python人工智能入门
MIT-深度学习导论
李宏毅-机器学习(&深度学习)
应用深度学习(全知识点覆盖)
UC Berkeley-深度神经网络设计、可视化与理解
威斯康星-深度学习和生成模型导论
UC Berkeley-全栈深度学习训练营
自然语言处理 斯坦福CS224n(深度学习与NLP)
斯坦福CS124(从语言到信息)
斯坦福CS520(知识图谱)
马萨诸塞-自然语言处理进阶
计算机视觉 斯坦福CS231n(深度学习与CV)
密歇根eecs498(CS231n进阶课)
慕尼黑工大adl4cv(深度学习与CV高阶课)
多模态 CMU-多模态机器学习
图机器学习 斯坦福CS224w
强化学习 斯坦福CS234(强化学习)
伯克利CS285(深度强化学习)
无监督学习 伯克利CS294-158(深度无监督学习)
AI与生物医疗 MIT-面向生命科学的深度学习
MIT-基因组学机器学习
MIT-医疗机器学习
图形学与几何 CMU-计算机图形学
AMMI-几何深度学习
其他课程 哈佛-基于Python/JavaScript的web编程
MIT-计算思维导论(Julia)
MIT-深度学习与无人驾驶
Deep Learning Specialization; 深度学习专项课程
*****
本文作者 韩信子
欢迎关注微信公众号 ShowMeAI研究中心 获取更多资源!