第一部分：神經網絡和深度學習

第一周 深度學習概論

第二周 神經網絡基礎

1.2.1 Logistic回歸和梯度下降簡介

1.2.2 Logistic回歸和梯度下降計算的數學流程

練習：numpy basic

1.2.3 使用向量化進行加速計算

1.2.4 在Python中使用向量化的技巧和注意事項

練習：Logistic Regression

第三周 淺層神經網絡

1.3.1 單隱層網絡的數學實現

1.3.2 向量化實現淺層神經網絡

1.3.3 激活函數介紹

練習：Planar data classification with a hidden layer

第四周 深層神經網絡

1.4.1 深層神經網絡中的前向傳播

1.4.2 搭建神經網絡塊

第二部分：改善深層神經網絡：超參數調試、正則化以及優化

第一周：深度學習的實用層面

2.1.1 正則化基本介紹

2.1.2 Dropout正則化以及其他正則化

2.1.3 正則化（歸一化）的用處以及何時使用

2.1.4 對梯度消失和梯度爆炸的近似解決方案

2.1.5 梯度檢驗

第二周：優化算法

2.2.1 mini-batch

2.2.2 指數加權平均

2.2.3 動量梯度下降法

2.2.4 RMSprop

2.2.5 Adam優化算法

2.2.6 學習率衰減

2.2.7 局部最優化問題

第三周：超參數調試，Batch正則化和程序框架

2.3.1 為超參數選擇合適的范圍

2.3.2 Batch Norm介紹

2.3.3 Softmax回歸介紹

第二部分練習

TensorFlow入門

第三部分：結構化機器學習項目

第一周：機器學習（ML）策略（1）

3.1.1 正交化

3.1.2 單一數字評估指標以及多個不同評估指標

3.1.3 訓練/開發/測試集的問題以及注意事項

3.1.4 如何使深度學習模型達到以及超越人類水平

3.1.5 改善模型的表現

第二周：機器學習（ML）策略（2）

3.2.1 造成誤差的原因分析

3.2.2 快速搭建你的第一個系統所，并進行迭代

3.2.3 如何解決數據不匹配問題

3.2.4 遷移學習和多任務學習

3.2.5 端到端的學習

第四部分：卷積神經網絡

第一周：卷積神經網絡

練習：Padding 填充

練習：卷積和池化過程中注意事項

練習：在TensorFlow中使用卷積神經網絡

第二周：深度卷積網絡——實例探究

練習：Keras介紹

第三周：目標檢測

第四周：人臉識別與神經風格轉換

第五部分：序列模型

第一周：循環序列模型

第二周：自然語言處理與詞嵌入

第三周：序列模型和注意力機制

總結

以上是生活随笔為你收集整理的吴教主深度学习和神经网络课程总纲的全部內容，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。