deeplearning.ai

神经网络和深度学习

所属微专业:

图片
课程概述

这是深度学习工程师微专业中的第一门课。


这门课将为你介绍深度学习的基础知识。学完这门课,你将能够:

-      理解驱动深度学习的主要技术趋势。

-      能够搭建、训练并且运用全连接的深层神经网络。

-      了解如何实现高效的(向量化)的神经网络。

-      理解神经网络架构中的关键参数。

 

这门课将会详尽地介绍深度学习的基本原理,而不仅仅只进行理论概述。


当你完成这门微专业之后,你就能够将深度学习运用到你的个人应用中,调教出属于你自己的AI。


如果你正在找与人工智能有关的工作,那么,在学习完这门课后,应对面试官提问的基础面试问题就绰绰有余了。


制作方:deeplearning.ai

原载于:Coursera

证书要求


预备知识

需要有基本的数学、编程和机器学习基础。

授课大纲

第一周  深度学习概论:


学习驱动神经网络兴起的主要技术趋势,了解现今深度学习在哪里应用、如何应用。


1.1  欢迎来到深度学习工程师微专业

1.2  什么是神经网络?

1.3  用神经网络进行监督学习

1.4  为什么深度学习会兴起?

1.5  关于这门课

1.6  课程资源


 

第二周  神经网络基础:


学习如何用神经网络的思维模式提出机器学习问题、如何使用向量化加速你的模型。


2.1  二分分类

2.2  logistic 回归

2.3  logistic 回归损失函数

2.4  梯度下降法

2.5  导数

2.6  更多导数的例子

2.7  计算图

2.8  计算图的导数计算

2.9  logistic 回归中的梯度下降法

2.10  m 个样本的梯度下降

2.11  向量化

2.12  向量化的更多例子

2.13  向量化 logistic 回归

2.14  向量化 logistic 回归的梯度输出

2.15  Python 中的广播

2.16  关于 python / numpy 向量的说明

2.17  Jupyter / Ipython 笔记本的快速指南

2.18  (选修)logistic 损失函数的解释


 

第三周  浅层神经网络:


学习使用前向传播和反向传播搭建出有一个隐藏层的神经网络。


3.1  神经网络概览

3.2  神经网络表示

3.3  计算神经网络的输出

3.4  多样本向量化

3.5  向量化实现的解释

3.6  激活函数

3.7  为什么需要非线性激活函数?

3.8  激活函数的导数

3.9  神经网络的梯度下降法

3.10  (选修)直观理解反向传播

3.11  随机初始化


 

第四周  深层神经网络:


理解深度学习中的关键计算,使用它们搭建并训练深层神经网络,并应用在计算机视觉中。


4.1  深层神经网络

4.2  深层网络中的前向传播

4.3  核对矩阵的维数

4.4  为什么使用深层表示

4.5  搭建深层神经网络块

4.6  前向和反向传播

4.7  参数 VS 超参数

4.8  这和大脑有什么关系?



大师访谈


我在本微专业中采访了多位人工智能领域大师,希望爱好人工智能的你可以从他们的睿智回答中了解 AI 领域的专业建议。



Geoffrey Hinton



计算机学家、心理学家,盖茨比计算神经科学中心的创始人,多伦多大学计算机科学系教授,2013年加入谷歌,以神经网络方面的杰出贡献闻名,是反向传播算法和对比散度算法的发明人之一,也是深度学习的积极推动者。他在edX上的课程很受欢迎。



Pieter Abbeel



加州大学伯克利分校计算机系副教授。斯坦福大学计算机学系博士,师从 Andrew Ng。主要关注机器人学习,在edX上有机器学习初级课程。



Ian Goodfellow



Google Brain 研究员,《深度学习》教科书的第一作者,生成对抗网络(GAN)提出者。



`