视频选集
（11/43）
1.1 欢迎
05:32
1.2 什么是神经网络？
07:05
1.3 用神经网络进行监督学习
08:29
1.4 为什么深度学习会兴起？
10:22
1.5 关于这门课
02:28
1.6 课程资源
01:56
2.1 二分分类
08:24
2.2 logistic 回归
06:00
2.3 logistic 回归损失函数
08:12
2.4 梯度下降法
11:24
2.5 导数
07:11
2.6 更多导数的例子
10:49
2.7 计算图
03:34
2.8 计算图的导数计算
14:51
2.9 logistic 回归中的梯度下降法
06:43
2.10 m 个样本的梯度下降
08:01
2.11 向量化
08:05
2.12 向量化的更多例子
06:22
2.13 向量化 logistic 回归
07:33
2.14 向量化 logistic 回归的梯度输出
09:38
2.15 Python 中的广播
11:07
2.16 关于 python _ numpy 向量的说明
06:50
2.17 Jupyter _ ipython 笔记本的快速指南
03:57
2.18 （选修）logistic 损失函数的解释
07:15
3.1 神经网络概览
04:27
3.2 神经网络表示
05:15
3.3 计算神经网络的输出
09:58
3.4 多个例子中的向量化
09:06
3.5 向量化实现的解释
07:38
3.6 激活函数
10:57
3.7 为什么需要非线性激活函数？
05:36
3.8 激活函数的导数
07:58
3.9 神经网络的梯度下降法
09:58
3.10 （选修）直观理解反向传播
15:49
3.11 随机初始化
07:58
4.1 深层神经网络
05:52
4.2 前向和反向传播
10:30
4.3 深层网络中的前向传播
07:16
4.4 核对矩阵的维数
11:10
4.5 为什么使用深层表示
10:34
4.6 搭建深层神经网络块
08:34
4.7 参数 VS 超参数
07:17
4.8 这和大脑有什么关系？
03:18
爆肝30天！我做了一款《跳跳史莱姆》游戏！！
点击体验>>
顶部