• 投稿

李宏毅深度学习课程（全2课2017年版）笔记汇总

3.0万
98
2018-03-05 05:08:32
未经作者授权，禁止转载
133
136
2431
71
探索无需数学基础的深度学习（on the shoulder of 吴恩达+李宏毅） https://zhuanlan.zhihu.com/c_170327360
机器学习
深度学习
李毅宏
深度碎片 发消息
As Simple As Possible
广告
AI视频神器！一分钟让你的作品爆火！
updream
1万人感兴趣
视频选集
（1/93）
专栏视频介绍
02:07
1.01AI, ML, DL之间的关系
01:19
1.02 什么是hand-crafted AI
04:12
1.03 什么是真正意义上的机器学习（机器智能）
04:53
1.04 机器获取智能的三个步骤
06:40
1.05 什么是regression
01:58
1.06 什么是classification model
04:23
1.07 非线性模型中的深度学习解决分类问题
06:19
1.08 什么是supervised, semi-supervised, transfer, unsupervised learning
07:09
1.09 什么是structured learning
04:35
1.10 什么是reinforcement learning
06:52
1.11 人类新职业：AI训练师
05:04
1.12 如何理解深度学习中的scenario, task, method的区别
11:32
2.01 回顾regression定义和例子
04:23
2.02 建模的第一步：选择模型框架（线性模型，regression）
08:15
2.03 建模step2.01收集和查看训练数据
03:54
2.04 建模step2.2如何判断众多模型的好坏loss function
10:01
2.05 建模step3.1 如何筛选最优的模型（参数）
05:55
2.06 建模step3.2 gradient descent 是如何高效找到最优模型的
15:40
2.07 建模step3.3 gradient descent推演最优模型的过程
07:44
2.08 建模step3.4 gradient descent在现实世界中面临的挑战
10:10
2.09 如何验证训练好的模型的好坏
04:19
2.10 是不是能画出直线就是线性函数，各种复杂的曲线就是非线性函数
06:15
2.11 如何进一步寻找更强大表现更好的模型
09:06
2.12 如何理解overfitting
06:21
2.13 更多数据能缓解overfitting问题
07:24
2.14 如何理解2个input的四个线性函数是如何合并到一个线性函数中的
05:05
2.15 如果希望模型更强大表现更好（更多参数，更多input，数据量没有明显增加，仍旧导致overfitting
04:39
2.16 直观理解regularization
12:30
3.1 如何直观理解bias and variance01
21:26
3.2 如何直观理解bias and variance02
08:32
3.3 如何解决模型的bias过大的问题
02:03
3.4 如何解决variance过高的问题
02:45
3.5 validation set and cross-validation 如何在实际的训练中挑选最优模型
08:21
4.01 什么是gradient
05:00
4.02 如何在图上理解gradient与参数的更新
02:48
4.03 从gradient descent中窥见人工智能
08:04
4.04 人类手动设计的learning-rate不够智慧
06:01
4.05 如何让learning rate（自动）逐步缩小步伐幅度
01:54
4.06 如何让learning-rate针对每个参数和不同时点来量身定制学习步伐幅度
07:16
4.07 什么时候会用到stochastic gradient descent
04:47
4.08 什么是feature scaling
11:39
5.01 什么是classification定义和例子
05:54
5.02 为什么用regression做分类问题存在本质缺陷
02:26
5.03 为什么用regression做分类问题存在本质缺陷
06:33
5.04 如何用概率来解决分类问题
21:52
5.05 如何解决generative model的overfitting问题
06:00
5.06 什么是naive bayes classifer
02:02
5.07 sigmoid函数的由来
02:23
5.08 神经网络中的linear combination的由来
02:05
6.01 logistic regression 是怎么来的
07:21
6.02 binary cross entropy loss是怎么来的
10:58
6.03 为什么分类问题的损失函数不能用MSE
05:50
6.04 generative model vs discriminative model的区别
13:24
6.05 如何构建多元分类（softmax的由来）
04:56
6.06 什么是logistic regression的局限和feature transformation的意义
07:58
6.07 从features transformation(logistic regression)到深度学习
05:38
7.01 什么是neuralnet和内在运算
06:25
7.02 为什么深度学习计算高效
03:04
7.03 feature transformation与neuralnet
04:22
7.04 neuralnet的解题流程
03:50
8 如何理解backpropagation
11:04
9.01 为什么要用mini-batch来训练
07:05
9.02 为什么要做training data shuffling
04:42
10.01 最常见的3中模型表现差的特征和原因
09:48
10.02 ReLU如何解决vanishing gradient的问题
05:52
10.03 如何理解maxout激活函数的意义和计算逻辑
06:18
10.04 如何直观理解adagrad, RMSProp, Momentum
13:01
10.05直观理解early stopping
06:17
10.06 直观理解regularizationL2
06:41
10.07 直观理解regularization L1
03:16
10.08直观理解dropout
08:57
10.09 直观理解ensemble vs dropout
05:27
11.01 为什么fully connected NN 不适合做图片任务
05:40
11.02 图像识别任务对CNN模型的要求
08:27
11.03 如何理解CNN结构设计(以及stride padding)
16:19
11.04 为什么input layer 切分成blocks 而不是vector 为什么输出matrix而不是scalar 如何直观理解feature map
06:51
11.05 如何理解pooling layer和最后的fully connected layer在CNN中的作用
06:45
11.06 如何直观理解CNN每层中的weights feature maps activations
14:39
12.01 为什么深层模型表现更好且更好应对数据缺陷
07:24
12.02 如何直观理解feature map
07:30
12.03 深模型的优势举例
10:43
13.01 什么是semi supervised learning 和generative model的解法
08:20
13.02 什么是low density assumption
11:30
13.03 什么是smoothness assumption
11:08
14 unsupervised learning PCA Matrix Factorization
24:55
直觉版：如何理解supervised learning PCA clustering和降维度
19:11
如何理解reinforcement learning-policy based learningA3C
15:14
直觉版：如何用一张图理解reinforcement learning
15:29
图解 autoencoder
09:07
直觉版 GAN
28:28
图解深度学习：什么是word vector embedding 及其由来
06:54
图解深度学习：训练word embedding的两种方法
07:17

献给所有认为数学和深度学习很重要，但认为自己“不擅长数学”的人！
深度碎片
2.3万 20

图解CNN论文：尝试用最少的数学读懂深度学习论文
深度碎片
4.6万 54

吴恩达机器学习图解笔记
深度碎片
9.8万 285

吴恩达第五课RNN笔记
深度碎片
3.2万 127

图解机器学习的数学直觉：线性代数，微积分，PCA（全完结）
深度碎片
11.5万 292

探索一句话版的机器学习与深度学习
深度碎片
1.2万 10

人人必备的数学思维Mathematical thinking by Stanford University and Coursera
深度碎片
2.9万 45

概率机器学习基础：MIT概率课图解笔记
深度碎片
1.8万 8

图解教材:概率机器学习（Murphy)
深度碎片
1.3万 2

图解吴恩达机器学习（2019直觉版）持续更新
深度碎片
1.2万 6

图解教材: 模式识别与机器学习（Bishop)
深度碎片
2.0万 12

003_a083fca3
深度碎片
32 0

006_7ec8c787
深度碎片
46 0

fuzzySearch_bgar
深度碎片
223 0

fuzzy_search_journey
深度碎片
232 0

004_8e525b93
深度碎片
25 0

006_d790a54b
深度碎片
133 0
我做了一个鸣潮玩家通关率仅0.0001%的iWanna
客服
顶部
赛事库 课堂 2021拜年纪