投稿

A-N-D L

942

0

2019-03-08 09:13:23

666.com

野生技术协会

各走一边大道朝天发消息

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

1. 吴恩达采访 Geoffrey Hinton

40:23

2. 吴恩达采访 Pieter Abbeel

16:04

3. 吴恩达采访 Ian Goodfellow

14:56

1.1 训练_开发_测试集

12:05

1.2 偏差_方差

08:47

1.3 机器学习基础

06:22

1.4 正则化

09:43

1.5 为什么正则化可以减少过拟合？

07:10

1.6 Dropout 正则化

09:26

1.7 理解 Dropout

07:05

1.8 其他正则化方法

08:25

1.9 归一化输入

05:31

1.10 梯度消失与梯度爆炸

06:08

1.11 神经网络的权重初始化

06:13

1.12 梯度的数值逼近

06:36

1.13 梯度检验

06:35

1.14 关于梯度检验实现的注记

05:19

2.1 Mini-batch 梯度下降法

11:29

2.2 理解 mini-batch 梯度下降法

08:15

2.3 指数加权平均

05:59

2.4 理解指数加权平均

05:58

2.5 指数加权平均的偏差修正

04:12

2.6 动量梯度下降法

09:21

2.7 RMSprop

07:42

2.8 Adam 优化算法

07:08

2.9 学习率衰减

06:45

2.10 局部最优的问题

05:24

3.1 调试处理

07:11

3.2 为超参数选择合适的范围

08:51

3.3 超参数训练的实践：Pandas VS Caviar

06:52

3.4 正则化网络的激活函数

08:56

3.5 将 Batch Norm 拟合进神经网络

12:56

3.6 Batch Norm 为什么奏效？

11:40

3.7 测试时的 Batch Norm

05:47

3.8 Softmax 回归

11:48

3.9 训练一个 Softmax 分类器

10:08

3.10 深度学习框架

04:16

3.11 TensorFlow

16:08

1. 吴恩达采访 Yoshua Bengio

25:49

2. 吴恩达采访林元庆

13:37

1.1 为什么是 ML 策略

02:43

1.2 正交化

06:40

1.3 单一数字评估指标

07:17

1.4 满足和优化指标

05:32

1.5 训练_开发_测试集划分

06:36

1.6 开发集合测试集的大小

05:40

1.7 什么时候该改变开发_测试集和指标

08:00

1.8 为什么是人的表现

05:47

1.9 可避免偏差

07:00

1.10 理解人的表现

00:14

1.11 超过人的表现

06:22

1.12 改善你的模型的表现

06:21

2.1 进行误差分析

10:33

2.2 清除标注错误的数据

13:06

2.3 快速搭建你的第一个系统，并进行迭代

06:02

2.4 在不同的划分上进行训练并测试

10:56

2.5 不匹配数据划分的偏差和方差

18:17

2.6 定位数据不匹配

10:09

2.7 迁移学习

11:18

2.8 多任务学习

13:00

2.9 什么是端到端的深度学习

11:48

2.10 是否要使用端到端的深度学习

10:20

1. 采访 Andrej Karpathy

15:11

2. 采访 Ruslan Salakhutdinov

17:09

1.1 计算机视觉

05:45

1.2 边缘检测示例

11:31

1.3 更多边缘检测内容

07:58

1.4 Padding

09:50

1.5 卷积步长

09:02

1.6 三维卷积

10:45

1.7 单层卷积网络

16:11

1.8 简单卷积网络示例

08:32

1.9 池化层

10:26

1.10 卷积神经网络示例

12:38

1.11 为什么使用卷积？

09:41

2.1 为什么要进行实例探究？

03:08

2.2 经典网络

18:19

2.3 残差网络

07:08

2.4 残差网络为什么有用？

09:13

2.5 网络中的网络以及 1×1 卷积

06:41

2.6 谷歌 Inception 网络简介

10:15

2.7 Inception 网络

08:47

2.8 使用开源的实现方案

04:57

2.9 迁移学习

08:48

2.10 数据扩充

09:32

2.11 计算机视觉现状

12:39

3.1 目标定位

11:55

3.2 特征点检测

05:57

3.3 目标检测

05:50

3.4 卷积的滑动窗口实现

11:09

3.5 Bounding Box预测

14:32

3.6 交并比

04:19

3.7 非极大值抑制

08:03

3.8 Anchor Boxes

09:43

3.9 YOLO 算法

07:02

3.10 候选区域

06:28

4.1 什么是人脸识别？

04:38

4.2 One-Shot 学习

04:45

4.3 Siamese 网络

04:52

4.4 Triplet 损失

15:31

4.5 面部验证与二分类

06:06

4.6 什么是神经风格转换？

02:03

4.7 什么是深度卷积网络？

07:58

4.8 代价函数

04:00

4.9 内容代价函数

03:38

4.10 风格代价函数

17:01

4.11 一维到三维推广

09:09

1.1为什么选择序列模型

03:01

1.2数学符号

09:16

1.3循环神经网络

16:32

1.4通过时间的方向传播

06:12

1.5不同类型的循环神经网络

09:34

1.6 语言模型和序列生成

12:02

1.7 对新序列采样

08:39

1.8带有神经网络的梯度消失

06:29

1.9 GRU 单元

17:07

1.10 长短期记忆（LSTM）

09:54

1.11 双向神经网络

08:20

1.12 深层循环神经网络

05:17

2.1 词汇表征

10:08

2.2 使用词嵌入

09:23

2.3 词嵌入的特性

11:55

2.4 嵌入矩阵

05:58

2.5 学习词嵌入

10:09

2.6 Word2Vec

12:48

2.7 负采样

11:54

2.8 GloVe 词向量

11:09

2.9 情绪分类

07:38

2.10 词嵌入除偏

11:09

3.1 基础模型

06:19

3.2 选择最可能的句子

08:57

3.3 定向搜索

11:55

3.4 改进定向搜索

11:01

3.5 定向搜索的误差分析

09:44

3.6 Bleu 得分（选修）

16:27

3.7 注意力模型直观理解

09:42

3.8 注意力模型

12:23

3.9 语音辨识

08:54

3.10 触发字检测

05:03

3.11 结论和致谢

02:45

顶部