斯坦福CS230深度学习-课程学习资料
斯坦福CS230深度学习课程,内容覆盖卷积神经网络、循环神经网络、网络训练技巧与经验等

关键词标签: 斯坦福, 机器学习, 卷积神经网络, 循环神经网络, 注意力, 目标检测, 人脸识别, 图像风格转换

课程介绍

课程主页:CS230: Deep Learning

深度学习是AI领域中最受欢迎的技能之一,斯坦福CS230深度学习课程由吴恩达教授和他的助教Kian Katanforoosh讲授。课程内容覆盖:深度学习的基础,理解如何构建神经网络,卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)、Adam 优化器、Dropout 方法、BatchNorm 方法、Xavier/He 初始化方法等。课程也涉及了深度学习在医疗、自动驾驶、手语识别、音乐生成和自然语言处理等领域的应用案例。

前置课程

学生应具有以下背景:


ShowMeAI课程解读:全套资料

课程速查表 | 【点击链接】

课程重点笔记 | 【点击板块】

板块编号 笔记链接
板块1 卷积神经网络
板块2 循环神经网络
板块3 深度学习技巧与经验

课程作业 |【作业代码解析】|【点击编号】

作业编号 solution地址
第1门-作业1 无作业
第1门-作业2 神经网络基础
第1门-作业3 浅层神经网络
第1门-作业4 深层神经网络
第2门-作业1 神经网络实践(初始化、正则化、梯度检查)
第2门-作业2 神经网络优化算法
第2门-作业3 超参数调优、BN与Tensorflow实践
第3门-作业 无作业
第4门-作业1 卷积神经网络基础
第4门-作业2 深度卷积神经网络
第4门-作业3 目标检测实现
第4门-作业4 图像风格转换与人脸识别
第4门-作业1 循环神经网络与LSTM
第4门-作业2 自然语言处理与词嵌入
第4门-作业3 序列模型与注意力机制
end

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)
end
*****
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!