视频选集
（1/176）
1.1 欢迎
05:33
1.2 什么是神经网络？
07:05
1.3 用神经网络进行监督学习
08:30
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
03:58
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
1.1 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
1.1 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
1.1 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
08:33
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？
03:09
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
05:04
3.11 结论和致谢
02:45
顶部