文章目錄

• 第五課
• 第四課
• 第三課
• 第二課
• 第一課

第五課

《序列模型》筆記列表

Week 1	循環序列模型
Week 1 傳送門 —>	1.1 為什么選擇序列模型 1.2 數學符號 1.3 循環神經網絡 1.4 通過時間的方向傳播 1.5 不同類型的循環神經網絡 1.6 語言模型和序列生成 1.7 對新序列采樣 1.8 帶有神經網絡的梯度消失 1.9 GRU 單元 1.10 長短期機器 (LSTM) 1.11 雙向神經網絡 1.12 深層循環神經網絡 1.13 總結
Week 2	自然語言處理與詞嵌入
Week 2 傳送門 —>	2.1 詞匯表征 2.2 使用詞嵌入 2.3 詞嵌入的特性 2.4 嵌入矩陣 2.5 學習詞嵌入 2.6 Word2Vec 2.7 負采樣 2.8 GloVe 詞向量 2.9 情緒分類 2.10 詞嵌入除偏 2.11 總結
Week 3	序列模型和注意力機制
Week 3 傳送門 —>	3.1 基礎模型 3.2 選擇最可能的句子 3.3 定向搜索 3.4 改進定向搜索 3.5 定向搜索的誤差分析 3.6 Bleu 得分 3.7 注意力模型直觀理解 3.8 注意力模型 3.9 語音辨識 3.10 觸發字檢測 3.11 結論和致謝 3.12 總結

第四課

《卷積神經網絡》筆記列表

Week 1	卷積神經網絡
Week 1 傳送門 —>	1.1 計算機視覺 1.2 邊緣檢測示例 1.3 更多邊緣檢測內容 1.4 Padding 1.5 卷積步長 1.6 三維卷積 1.7 單層卷積網絡 1.8 簡單卷積網絡示例 1.9 池化層 1.10 卷積神經網絡示例 1.11 為什么使用卷積？ 1.12 總結
Week 2	深度卷積網絡：實例探究
Week 2 傳送門 —>	2.1 為什么要進行實例探究？ 2.2 經典網絡 2.3 殘差網絡 2.4 殘差網絡為什么有用？ 2.5 網絡中的網絡以及1x1卷積 2.6 谷歌 Inception 網絡簡介 2.7 Inception 網絡 2.8 使用開源的實現方案 2.9 遷移學習 2.10 數據擴充 2.11 計算機視覺現狀 2.12 總結
Week 3	目標檢測
Week 3 傳送門 —>	3.1 目標定位 3.2 特征點檢測 3.3 目標檢測 3.4 卷積的滑動窗口實現 3.5 Bounding Box 預測 3.6 交并比 3.7 非極大值抑制 3.8 Anchor Boxes 3.9 YOLO 算法 3.10 候選區域 3.11 總結
Week 4	特殊應用：人臉識別和神經風格轉換
Week 4 傳送門 —>	4.1 什么是人臉識別？ 4.2 One-Shot 學習 4.3 Siamese 網絡 4.4 Triplet 損失 4.5 面部驗證與二分類 4.6 什么是神經風格轉換？ 4.7 什么是深度卷積網絡？ 4.8 代價函數 4.9 內容代價函數 4.10 風格代價函數 4.11 一維到三維推廣 4.12 總結

第三課

《結構化機器學習項目》筆記列表

Week 1	機器學習策略一
Week 1 傳送門 —>	1.1 為什么是ML策略 1.2 正交化 1.3 單一數字評估指標 1.4 滿足和優化指標 1.5 訓練/開發/測試集劃分 1.6 開發集和測試集的大小 1.7 什么時候該改變開發_測試集和指標 1.8 為什么是人的表現 1.9 可避免誤差 1.10 理解人的表現 1.11 超越人的表現 1.12 改善你的模型的表現 [1.13 總結]
Week 2	機器學習策略二
Week 2 傳送門 —>	2.1 誤差分析 2.2 清除標注錯誤的數據 2.3 快速搭建你的第一個系統，并進行迭代 2.4 在不同的劃分上進行訓練并測試 2.5 不匹配數據劃分的偏差和誤差 2.6 定位數據不匹配 2.7 遷移學習 2.8 多任務學習 2.9 什么是端到端的深度學習 2.10 是否要使用端到端的深度學習 2.11 總結
采訪	大牛采訪
傳送門 —>	Andrej Karpathy Ruslan Salakhutdinov

第二課

《改善神經網絡》筆記列表

Week 1	深度學習的實用層面
Week 1 傳送門 —>	1.1 訓練/開發/測試集 1.2 偏差/方差 1.3 機器學習基礎 1.4 正則化 1.5 為什么正則化可以減少過擬合 1.6 Dropout 正則化 1.7 理解 Dropout 1.8 其他正則化方法 1.9 歸一化輸入 1.10 梯度消失與梯度爆炸 1.11 神經網絡的權重初始化 1.12 梯度的數值逼近 1.13 梯度檢驗 1.14 關于梯度檢驗實現的注記 1.15 總結
Week 2	優化算法
Week 2 傳送門 —>	2.1 Mini-batch 梯度下降 2.2 理解 mini-batch 梯度下降法 2.3 指數加權平均 2.4 理解指數加權平均 2.5 指數加權平均的偏差修正 2.6 動量梯度下降法 2.7 RMSprop 2.8 Adam 優化算法 2.9 學習率衰減 2.10 局部最優的問題 2.11 總結
Week 3	超參數調試、Batch正則化和程序框架
Week 3 傳送門 —>	3.1 調試處理 3.2 為超參數選擇合適的范圍 3.3 超參數訓練的實踐: Pandas vs. Caviar 3.4 正則化網絡的激活函數 3.5 將 Batch Norm 擬合進神經網絡 3.6 Batch Norm 為什么奏效 3.7 測試時的 Batch Norm 3.8 Softmax 回歸 3.9 訓練一個 Softmax 分類器 3.10 深度學習框架 3.11 TensorFlow 3.12 總結
采訪	大牛采訪
傳送門 —>	Yoshua Yuanqing Lin

第一課

《神經網絡與深度學習》筆記列表

Week 1	深度學習概論
Week 1 傳送門 —>	1.1 歡迎 1.2 什么是神經網絡 1.3 用神經網絡進行監督學習 1.4 為什么深度學習會興起 1.5 關于這門課 1.6 課程資源 1.7 總結習題
Week 2	神經網絡基礎
Week 2 傳送門 —>	2.1 二元分類 2.2 Logistic 回歸 2.3 Logistic 回歸損失函數 2.4 梯度下降法 2.5 導數 2.6 更多導數的例子 2.7 計算圖 2.8 計算圖的導數計算 2.9 Logistic 回歸的梯度下降法 2.10 m 個樣本的梯度下降 2.11 向量化 2.12 向量化的更多例子 2.13 向量化 Logistic 回歸 2.14 向量化 Logistic 回歸的梯度輸出 2.15 Python 中的廣播 2.16 關于 Python Numpy 向量的說明 2.17 Jupyter/iPython 筆記本的快速指南 2.18 Logistic 損失函數的解釋 2.19 總結習題
Week 3	淺層神經網絡
Week 3 傳送門 —>	3.1 神經網絡概覽 3.2 神經網絡表示 3.3 計算神經網絡的輸出 3.4 多個例子中的向量化 3.5 向量化實現的解釋 3.6 激活函數 3.7 為什么需要非線性激活函數 3.8 激活函數的導數 3.9 神經網絡的梯度下降法 3.10 直觀理解反向傳播 3.11 隨機初始化 3.12 總結習題
Week 4	深層神經網絡
Week 4 傳送門 —>	4.1 深層神經網絡 4.2 深層網絡中的前向傳播 4.3 核對矩陣的維數 4.4 為什么使用深層表示 4.5 搭建深層神經網絡塊 4.6 前向和反向傳播 4.7 參數 vs. 超參數 4.8 這和大腦有什么關系 4.9 總結習題
采訪	大牛采訪
傳送門 —>	Geoffery Hinton Pieter Abbeel Ian Goodfellow

總結

以上是生活随笔為你收集整理的0.0 目录-深度学习第二课《改善神经网络》-Stanford吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。