深度学习笔记-目录 - ecfun.cc

网站关键词(22个字符)

机器学习、深度学习、吴恩达、黄海广、个人笔记、

网站描述(30个字符)

AI初学者，机器学习爱好者，是一个免费的机器学习笔记的网站。

关于ecfun.cc说明

ecfun.cc由网友主动性提交被GOSL整理收录的，GOSL仅提供ecfun.cc的基础信息并免费向大众网友展示，ecfun.cc的是IP地址：112.126.28.136 [中国北京北京阿里云]，ecfun.cc的百度权重为0、百度手机权重为0、百度收录为0条、360收录为0条、搜狗收录为0条、谷歌收录为0条、百度来访流量大约在-之间、百度手机端来访流量大约在-之间、ecfun.cc的备案号是登录可见、备案人叫登录可见、被百度收录的关键词有0个、手机端关键词有0个、迄今为止已经创建8年7个月9天。

下载地址: txt下载、docx下载、pdf下载、rar下载、zip下载

本页地址: https://www.gosl.cn/wangzhandh/1cf08243a3db32f218aa.html

SEO综合查询

SEO信息	百度来访IP：- \| 移动端来访IP：- \| 出站链接：1 \| 站内链接：19
IP网速：	IP地址：112.126.28.136 [中国北京北京阿里云] \| 网速：28毫秒
ALEXA排名	世界排名：- \| 预估IP：- \| 预估PV：-
备案信息	登录可见 \| 名称：登录可见 \| 已创建：8年7个月9天

收录	百度	360	搜狗	谷歌
查询	0	0	0	0

电脑关键词	手机关键词	页面友好	首页位置	索引	近期收录
0	0	电脑端优秀	-	0	0

协议类型HTTP/1.1 200 OK 页面类型text/html; charset=UTF-8 服务器类型Apache/2.4.46 (Unix) OpenSSL/1.1.1h PHP/7.2.34 mod_perl/2.0.11 Perl/v5.32.0 是否压缩否原网页大小31440 压缩后大小10359 压缩比67.05%

网页快照

深度学习笔记目录深度学习笔记目录第一门课神经网络和深度学习 ( N e u r a l N e t w o r k s a n d D e e p L e a r n i n g ) 第一周：深度学习引言 ( I n t r o d u c t i o n t o D e e p L e a r n i n g ) 1 . 1 欢迎 ( W e l c o m e ) 1 1 . 2 什么是神经网络？ ( W h a t i s a N e u r a l N e t w o r k ) 1 . 3 神经网络的监督学习 ( S u p e r v i s e d L e a r n i n g w i t h N e u r a l N e t w o r k s ) 1 . 4 为什么神经网络会流行？ ( W h y i s D e e p L e a r n i n g t a k i n g o f f ? ) 1 . 5 关于本课程 ( A b o u t t h i s C o u r s e ) 1 . 6 课程资源 ( C o u r s e R e s o u r c e s ) 1 . 7 G e o f f e r y H i n t o n 专访 ( G e o f f e r y H i n t o n i n t e r v i e w ) 第二周：神经网络的编程基础 ( B a s i c s o f N e u r a l N e t w o r k p r o g r a m m i n g ) 2 . 1 二分类 ( B i n a r y C l a s s i f i c a t i o n ) 2 . 2 逻辑回归 ( L o g i s t i c R e g r e s s i o n ) 2 . 3 逻辑回归的代价函数（ L o g i s t i c R e g r e s s i o n C o s t F u n c t i o n ） 2 . 4 梯度下降（ G r a d i e n t D e s c e n t ） 2 . 5 导数（ D e r i v a t i v e s ） 2 . 6 更多的导数例子（ M o r e D e r i v a t i v e E x a m p l e s ） 2 . 7 计算图（ C o m p u t a t i o n G r a p h ） 2 . 8 计算图导数（ D e r i v a t i v e s w i t h a C o m p u t a t i o n G r a p h ） 2 . 9 逻辑回归的梯度下降（ L o g i s t i c R e g r e s s i o n G r a d i e n t D e s c e n t ） 2 . 1 0 梯度下降的例子 ( G r a d i e n t D e s c e n t o n m E x a m p l e s ) 2 . 1 1 向量化 ( V e c t o r i z a t i o n ) 2 . 1 2 更多的向量化例子（ M o r e E x a m p l e s o f V e c t o r i z a t i o n ） 2 . 1 3 向量化逻辑回归 ( V e c t o r i z i n g L o g i s t i c R e g r e s s i o n ) 2 . 1 4 向量化逻辑回归的梯度计算（ V e c t o r i z i n g L o g i s t i c R e g r e s s i o n s G r a d i e n t ） 2 . 1 5 P y t h o n 中的广播机制（ B r o a d c a s t i n g i n P y t h o n ） 2 . 1 6 关于 P y t h o n 与 n u m p y 向量的使用（ A n o t e o n p y t h o n o r n u m p y v e c t o r s ） 2 . 1 7 J u p y t e r / i P y t h o n N o t e b o o k s 快速入门（ Q u i c k t o u r o f J u p y t e r / i P y t h o n N o t e b o o k s ） 2 . 1 8 逻辑回归损失函数详解（ E x p l a n a t i o n o f l o g i s t i c r e g r e s s i o n c o s t f u n c t i o n ）第三周：浅层神经网络 ( S h a l l o w n e u r a l n e t w o r k s ) 3 . 1 神经网络概述（ N e u r a l N e t w o r k O v e r v i e w ） 3 . 2 神经网络的表示（ N e u r a l N e t w o r k R e p r e s e n t a t i o n ） 3 . 3 计算一个神经网络的输出（ C o m p u t i n g a N e u r a l N e t w o r k s o u t p u t ） 3 . 4 多样本向量化（ V e c t o r i z i n g a c r o s s m u l t i p l e e x a m p l e s ） 3 . 5 向量化实现的解释（ J u s t i f i c a t i o n f o r v e c t o r i z e d i m p l e m e n t a t i o n ） 3 . 6 激活函数（ A c t i v a t i o n f u n c t i o n s ） 3 . 7 为什么需要非线性激活函数？（ w h y n e e d a n o n l i n e a r a c t i v a t i o n f u n c t i o n ? ） 3 . 8 激活函数的导数（ D e r i v a t i v e s o f a c t i v a t i o n f u n c t i o n s ） 3 . 9 神经网络的梯度下降（ G r a d i e n t d e s c e n t f o r n e u r a l n e t w o r k s ） 3 . 1 0 （选修）直观理解反向传播（ B a c k p r o p a g a t i o n i n t u i t i o n ） 3 . 1 1 随机初始化（ R a n d o m + I n i t i a l i z a t i o n ）第四周：深层神经网络 ( D e e p N e u r a l N e t w o r k s ) 4 . 1 深层神经网络（ D e e p L l a y e r n e u r a l n e t w o r k ） 4 . 2 前向传播和反向传播（ F o r w a r d a n d b a c k w a r d p r o p a g a t i o n ） 4 . 3 深层网络中的前向和反向传播（ F o r w a r d p r o p a g a t i o n i n a D e e p N e t w o r k ） 4 . 4 核对矩阵的维数（ G e t t i n g y o u r m a t r i x d i m e n s i o n s r i g h t ） 4 . 5 为什么使用深层表示？（ W h y d e e p r e p r e s e n t a t i o n s ? ） 4 . 6 搭建神经网络块（ B u i l d i n g b l o c k s o f d e e p n e u r a l n e t w o r k s ） 4 . 7 参数 V S 超参数（ P a r a m e t e r s v s H y p e r p a r a m e t e r s ） 4 . 8 深度学习和大脑的关联性（ W h a t d o e s t h i s h a v e t o d o w i t h t h e b r a i n ? ）第二门课改善深层神经网络：超参数调试、正则化以及优化 ( I m p r o v i n g D e e p N e u r a l N e t w o r k s : H y p e r p a r a m e t e r t u n i n g , R e g u l a r i z a t i o n a n d O p t i m i z a t i o n ) 第一周：深度学习的实用层面 ( P r a c t i c a l a s p e c t s o f D e e p L e a r n i n g ) 1 . 1 训练，验证，测试集（ T r a i n / D e v / T e s t s e t s ） 1 . 2 偏差，方差（ B i a s / V a r i a n c e ） 1 . 3 机器学习基础（ B a s i c R e c i p e f o r M a c h i n e L e a r n i n g ） 1 . 4 正则化（ R e g u l a r i z a t i o n ） 1 . 5 为什么正则化有利于预防过拟合呢？（ W h y r e g u l a r i z a t i o n r e d u c e s o v e r f i t t i n g ? ） 1 . 6 d r o p o u t 正则化（ D r o p o u t R e g u l a r i z a t i o n ） 1 . 7 理解 d r o p o u t （ U n d e r s t a n d i n g D r o p o u t ） 1 . 8 其他正则化方法（ O t h e r r e g u l a r i z a t i o n m e t h o d s ） 1 . 9 标准化输入（ N o r m a l i z i n g i n p u t s ） 1 . 1 0 梯度消失 / 梯度爆炸（ V a n i s h i n g / E x p l o d i n g g r a d i e n t s ） 1 . 1 1 神经网络的权重初始化（ W e i g h t I n i t i a l i z a t i o n f o r D e e p N e t w o r k s V a n i s h i n g / E x p l o d i n g g r a d i e n t s ） 1 . 1 2 梯度的数值逼近（ N u m e r i c a l a p p r o x i m a t i o n o f g r a d i e n t s ） 1 . 1 3 梯度检验（ G r a d i e n t c h e c k i n g ） 1 . 1 4 梯度检验应用的注意事项（ G r a d i e n t C h e c k i n g I m p l e m e n t a t i o n N o t e s ）第二周：优化算法 ( O p t i m i z a t i o n a l g o r i t h m s ) 2 . 1 M i n i b a t c h 梯度下降（ M i n i b a t c h g r a d i e n t d e s c e n t ） 2 . 2 理解 M i n i b a t c h 梯度下降（ U n d e r s t a n d i n g M i n i b a t c h g r a d i e n t d e s c e n t ） 2 . 3 指数加权平均（ E x p o n e n t i a l l y w e i g h t e d a v e r a g e s ） 2 . 4 理解指数加权平均（ U n d e r s t a n d i n g E x p o n e n t i a l l y w e i g h t e d a v e r a g e s ） 2 . 5 指数加权平均的偏差修正（ B i a s c o r r e c t i o n i n e x p o n e n t i a l l y w e i g h t e d a v e r a g e s ） 2 . 6 m o m e n t u m 梯度下降（ G r a d i e n t d e s c e n t w i t h m o m e n t u m ） 2 . 7 R M S p r o p — — r o o t m e a n s q u a r e p r o p （ R M S p r o p ） 2 . 8 A d a m 优化算法（ A d a m o p t i m i z a t i o n a l g o r i t h m ） 2 . 9 学习率衰减（ L e a r n i n g r a t e d e c a y ） 2 . 1 0 局部最优问题（ T h e p r o b l e m o f l o c a l o p t i m a ）第三周超参数调试， b a t c h 正则化和程序框架（ H y p e r p a r a m e t e r t u n i n g , B a t c h N o r m a l i z a t i o n a n d P r o g r a m m i n g F r a m e w o r k s ) 3 . 1 调试处理（ T u n i n g p r o c e s s ） 3 . 2 为超参数选择和适合范围（ U s i n g a n a p p r o p r i a t e s c a l e t o p i c k h y p e r p a r a m e t e r s ） 3 . 3 超参数训练的实践： P a n d a s v s . C a v i a r （ H y p e r p a r a m e t e r s t u n i n g i n p r a c t i c e : P a n d a s v s . C a v i a r ） 3 . 4 网络中的正则化激活函数（ N o r m a l i z i n g a c t i v a t i o n s i n a n e t w o r k ） 3 . 5 将 B a t c h N o r m 拟合进神经网络（ F i t t i n g B a t c h N o r m i n t o a n e u r a l n e t w o r k ） 3 . 6 为什么 B a t c h N o r m 奏效？（ W h y d o e s B a t c h N o r m w o r k ? ） 3 . 7 测试时的 B a t c h N o r m （ B a t c h N o r m a t t e s t t i m e ） 3 . 8 S o f t m a x 回归（ S o f t m a x R e g r e s s i o n ） 3 . 9 训练一个 S o f t m a x 分类器（ T r a i n i n g a s o f t m a x c l a s s i f i e r ） 3 . 1 0 深度学习框架（ D e e p l e a r n i n g f r a m e w o r k s ） 3 . 1 1 T e n s o r F l o w （ T e n s o r F l o w ）第三门课结构化机器学习项目 ( S t r u c t u r i n g M a c h i n e L e a r n i n g P r o j e c t s ) 第一周：机器学习策略（ 1 ） ( M L S t r a t e g y ( 1 ) ) 1 . 1 为什么是 M L 策略？ ( W h y M L S t r a t e g y ) 1 . 2 正交化 ( O r t h o g o n a l i z a t i o n ) 1 . 3 单一数字评估指标 ( S i n g l e n u m b e r e v a l u a t i o n m e t r i c ) 1 . 4 满足和优化指标 ( S a t i s f i c i n g a n d O p t i m i z i n g m e t r i c ) 1 . 5 训练集、开发集、测试集的划分 ( T r a i n / d e v / t e s t d i s t r i b u t i o n s ) 1 . 6 开发集和测试集的大小 ( S i z e o f t h e d e v a n d t e s t s e t s ) 1 . 7 什么时候改变开发集 / 测试集和评估指标 ( W h e n t o c h a n g e d e v / t e s t s e t s a n d m e t r i c s ) 1 . 8 为什么是人的表现 ( W h y h u m a n l e v e l p e r f o r m a n c e ? ) 1 . 9 可避免偏差 ( A v o i d a b l e b i a s ) 1 . 1 0 理解人类的表现 ( U n d e r s t a n d i n g h u m a n l e v e l p e r f o r m a n c e ) 1 . 1 1 超过人类的表现 ( S u r p a s s i n g h u m a n l e v e l p e r f o r m a n c e ) 1 . 1 2 改善你的模型表现 ( I m p r o v i n g y o u r m o d e l p e r f o r m a n c e ) 第二周：机器学习策略（ 2 ） ( M L S t r a t e g y ( 2 ) ) 2 . 1 误差分析 ( C a r r y i n g o u t e r r o r a n a l y s i s ) 2 . 2 清除标注错误的数据 ( C l e a n i n g u p i n c o r r e c t l y l a b e l e d d a t a ) 2 . 3 快速搭建你的第一个系统，并进行迭代 ( B u i l d y o u r f i r s t s y s t e m q u i c k l y , t h e n i t e r a t e ) 2 . 4 在不同的分布上的训练集和测试集 ( T r a i n i n g a n d t e s t i n g o n d i f f e r e n t d i s t r i b u t i o n s ) 2 . 5 数据分布不匹配的偏差与方差分析 ( B i a s a n d V a r i a n c e w i t h m i s m a t c h e d d a t a d i s t r i b u t i o n s ) 2 . 6 处理数据不匹配问题 ( A d d r e s s i n g d a t a m i s m a t c h ) 2 . 7 迁移学习 ( T r a n s f e r l e a r n i n g ) 2 . 8 多任务学习 ( M u l t i t a s k l e a r n i n g ) 2 . 9 什么是端到端的深度学习？ ( W h a t i s e n d t o e n d d e e p l e a r n i n g ? ) 2 . 1 0 是否使用端到端的深度学习方法 ( W h e t h e r t o u s e e n d t o e n d d e e p l e a r n i n g ) 第四门课卷积神经网络（ C o n v o l u t i o n a l N e u r a l N e t w o r k s ）第一周卷积神经网络 ( F o u n d a t i o n s o f C o n v o l u t i o n a l N e u r a l N e t w o r k s ) 2 . 1 . 1 计算机视觉（ C o m p u t e r v i s i o n ） 1 . 2 边缘检测示例（ E d g e d e t e c t i o n e x a m p l e ） 1 . 3 更多边缘检测内容（ M o r e e d g e d e t e c t i o n ） 1 . 4 P a d d i n g 1 . 5 卷积步长（ S t r i d e d c o n v o l u t i o n s ） 1 . 6 三维卷积（ C o n v o l u t i o n s o v e r v o l u m e s ） 1 . 7 单层卷积网络（ O n e l a y e r o f a c o n v o l u t i o n a l n e t w o r k ） 1 . 8 简单卷积网络示例（ A s i m p l e c o n v o l u t i o n n e t w o r k e x a m p l e ） 1 . 9 池化层（ P o o l i n g l a y e r s ） 1 . 1 0 卷积神经网络示例（ C o n v o l u t i o n a l n e u r a l n e t w o r k e x a m p l e ） 1 . 1 1 为什么使用卷积？（ W h y c o n v o l u t i o n s ? ）第二周深度卷积网络：实例探究 ( D e e p c o n v o l u t i o n a l m o d e l s : c a s e s t u d i e s ) 2 . 1 为什么要进行实例探究？（ W h y l o o k a t c a s e s t u d i e s ? ） 2 . 2 经典网络（ C l a s s i c n e t w o r k s ） 2 . 3 残差网络（ R e s i d u a l N e t w o r k s ( R e s N e t s ) ） 2 . 4 残差网络为什么有用？（ W h y R e s N e t s w o r k ? ） 2 . 5 网络中的网络以及 1 × 1 卷积（ N e t w o r k i n N e t w o r k a n d 1 × 1 c o n v o l u t i o n s ） 2 . 6 谷歌 I n c e p t i o n 网络简介（ I n c e p t i o n n e t w o r k m o t i v a t i o n ） 2 . 7 I n c e p t i o n 网络（ I n c e p t i o n n e t w o r k ） 2 . 8 使用开源的实现方案（ U s i n g o p e n s o u r c e i m p l e m e n t a t i o n s ） 2 . 9 迁移学习（ T r a n s f e r L e a r n i n g ） 2 . 1 0 数据扩充（ D a t a a u g m e n t a t i o n ） 2 . 1 1 计算机视觉现状（ T h e s t a t e o f c o m p u t e r v i s i o n ）第三周目标检测（ O b j e c t d e t e c t i o n ） 3 . 1 目标定位（ O b j e c t l o c a l i z a t i o n ） 3 . 2 特征点检测（ L a n d m a r k d e t e c t i o n ） 3 . 3 目标检测（ O b j e c t d e t e c t i o n ） 3 . 4 卷积的滑动窗口实现（ C o n v o l u t i o n a l i m p l e m e n t a t i o n o f s l i d i n g w i n d o w s ） 3 . 5 B o u n d i n g B o x 预测（ B o u n d i n g b o x p r e d i c t i o n s ） 3 . 6 交并比（ I n t e r s e c t i o n o v e r u n i o n ） 3 . 7 非极大值抑制（ N o n m a x s u p p r e s s i o n ） 3 . 8 A n c h o r B o x e s 3 . 9 Y O L O 算法（ P u t t i n g i t t o g e t h e r : Y O L O a l g o r i t h m ） 3 . 1 0 候选区域（选修）（ R e g i o n p r o p o s a l s ( O p t i o n a l ) ）第四周特殊应用：人脸识别和神经风格转换（ S p e c i a l a p p l i c a t i o n s : F a c e r e c o g n i t i o n & N e u r a l s t y l e t r a n s f e r ） 4 . 1 什么是人脸识别？ ( W h a t i s f a c e r e c o g n i t i o n ? ) 4 . 2 O n e S h o t 学习（ O n e s h o t l e a r n i n g ） 4 . 3 S i a m e s e 网络（ S i a m e s e n e t w o r k ） 4 . 4 T r i p l e t 损失（ T r i p l e t 损失） 4 . 5 面部验证与二分类（ F a c e v e r i f i c a t i o n a n d b i n a r y c l a s s i f i c a t i o n ） 4 . 6 什么是神经风格转换？（ W h a t i s n e u r a l s t y l e t r a n s f e r ? ） 4 . 7 什么是深度卷积网络？（ W h a t a r e d e e p C o n v N e t s l e a r n i n g ? ） 4 . 8 代价函数（ C o s t f u n c t i o n ） 4 . 9 内容代价函数（ C o n t e n t c o s t f u n c t i o n ） 4 . 1 0 风格代价函数（ S t y l e c o s t f u n c t i o n ） 4 . 1 1 一维到三维推广（ 1 D a n d 3 D g e n e r a l i z a t i o n s o f m o d e l s ）第五门课序列模型 ( S e q u e n c e M o d e l s ) 第一周循环序列模型（ R e c u r r e n t N e u r a l N e t w o r k s ） 1 . 1 为什么选择序列模型？（ W h y S e q u e n c e M o d e l s ? ） 1 . 2 数学符号（ N o t a t i o n ） 1 . 3 循环神经网络模型（ R e c u r r e n t N e u r a l N e t w o r k M o d e l ） 1 . 4 通过时间的反向传播（ B a c k p r o p a g a t i o n t h r o u g h t i m e ） 1 . 5 不同类型的循环神经网络（ D i f f e r e n t t y p e s o f R N N s ） 1 . 6 语言模型和序列生成（ L a n g u a g e m o d e l a n d s e q u e n c e g e n e r a t i o n ） 1 . 7 对新序列采样（ S a m p l i n g n o v e l s e q u e n c e s ） 1 . 8 循环神经网络的梯度消失（ V a n i s h i n g g r a d i e n t s w i t h R N N s ） 1 . 9 G R U 单元（ G a t e d R e c u r r e n t U n i t （ G R U ）） 1 . 1 0 长短期记忆（ L S T M （ l o n g s h o r t t e r m m e m o r y ） u n i t ） 1 . 1 1 双向循环神经网络（ B i d i r e c t i o n a l R N N ） 1 . 1 2 深层循环神经网络（ D e e p R N N s ）第二周自然语言处理与词嵌入（ N a t u r a l L a n g u a g e P r o c e s s i n g a n d W o r d E m b e d d i n g s ） 2 . 1 词汇表征（ W o r d R e p r e s e n t a t i o n ） 2 . 2 使用词嵌入（ U s i n g W o r d E m b e d d i n g s ） 2 . 3 词嵌入的特性（ P r o p e r t i e s o f W o r d E m b e d d i n g s ） 2 . 4 嵌入矩阵（ E m b e d d i n g M a t r i x ） 2 . 5 学习词嵌入（ L e a r n i n g W o r d E m b e d d i n g s ） 2 . 6 W o r d 2 V e c 2 . 7 负采样（ N e g a t i v e S a m p l i n g ） 2 . 8 G l o V e 词向量（ G l o V e W o r d V e c t o r s ） 2 . 9 情绪分类（ S e n t i m e n t C l a s s i f i c a t i o n ） 2 . 1 0 词嵌入除偏（ D e b i a s i n g W o r d E m b e d d i n g s ）第三周序列模型和注意力机制（ S e q u e n c e m o d e l s & A t t e n t i o n m e c h a n i s m 3 . 1 基础模型（ B a s i c M o d e l s ） 3 . 2 选择最可能的句子（ P i c k i n g t h e m o s t l i k e l y s e n t e n c e ） 3 . 3 集束搜索（ B e a m S e a r c h ） 3 . 4 改进集束搜索（ R e f i n e m e n t s t o B e a m S e a r c h ） 3 . 5 集束搜索的误差分析（ E r r o r a n a l y s i s i n b e a m s e a r c h ） 3 . 6 B l e u 得分（选修）（ B l e u S c o r e ( o p t i o n a l ) ） 3 . 7 注意力模型直观理解（ A t t e n t i o n M o d e l I n t u i t i o n ） 3 . 8 注意力模型（ A t t e n t i o n M o d e l ） 3 . 9 语音识别（ S p e e c h r e c o g n i t i o n ） 3 . 1 0 触发字检测（ T r i g g e r W o r d D e t e c t i o n ） 3 . 1 1 结论和致谢（ C o n c l u s i o n a n d t h a n k y o u ）人工智能大师访谈吴恩达采访 G e o f f e r y H i n t o n 吴恩达采访 I a n G o o d f e l l o w 吴恩达采访 R u s l a n S a l a k h u t d i n o v 吴恩达采访 Y o s h u a B e n g i o 吴恩达采访林元庆吴恩达采访 P i e t e r A b b e e l 吴恩达采访 A n d r e j K a r p a t h y 附件深度学习符号指南（原课程翻译）课程简介和致谢鲁 I C P 备 1 6 0 0 4 0 0 9 号 2

发表评论

温馨提示

做上本站友情链接,在您站上点击一次,即可自动秒收录并自动排在本站第一位！
<a href="https://www.gosl.cn/" target="_blank">GOSL</a>