无

需要有基本的数学、编程和机器学习基础。

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。

【致谢】

本课程中英文目录与字幕由深虫小组的沈敏琰、杨枭、蒋慧桢、李寒宁、陈璟仪、李轩，HTLL 翻译组，及 Eureka 字幕组的 Trazom、Ziling Zhang、范家璇、Terrence、heyhey 贡献，是他们的贡献使得本课程字幕能够又快又准确地呈现在大家面前。另外，我们还感谢其他对本门课程作出贡献的所有 deeplearning.ai 及网易云课堂相关工作人员。