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
ng秀中文，委托网易发布中文字幕版deeplearning.ai的课程。理念是希望培养成千上万人工智能人才，构建人工智能驱动的社会。
1.2 什么是神经网络？
介绍神经网络，house price prediction的例子，因为price不能为负所以曲线变成ReLU，很有意思的一个引出ReLU的方式，hiden unit 也称之为neuron。neural network就是stack neuron (like Lego brick) together toform a network.很直观。
1.3 用神经网络进行监督学习
几乎所有有价值的机器学习／神经网络技术都是supervised learning。也就是model一个x到y的映射函数。相对应的unsupervised learning，不存在y，只能指望data can tell something itself。
举了很多监督学习的例子
house price prediction用standard NN解决；image understanding，object detection这类问题用convolutional NN （CNN）解决；time series，or temporal sequence数据问题用Recurrent NN （RNN）解决；
structural data：房屋size等；unstructual data: audio/image/text, etc.
1.4 为什么深度学习会兴起？
因为数据量变大了，算法强了，计算资源强了。
举例：ReLU代替sigmoid。主要的优势在于sigmoid在两侧gradient几乎为0，导致gradient decent优化速度变慢。
interesting graph： idea ->code->experiments->idea... computation的提高导致这个iterative process加速，能带来更多更好结果。
1.5 关于这门课
简介五门课程和第一门课。
1.6 课程资源
鼓励上forum讨论问题。其他问题也可以联系deeplearning.ai。可以看出这个公司/机构的目的是培训为主，所以提到如果有公司需要培训hundreds of empolyees with deep learning expertise，可以联系他们，大学老师想开deep learning课的也可联系他们。
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？
No comments:
Post a Comment