投稿

斯坦福大学CS230：深度学习

1.2万

5

2019-05-05 17:20:43

https://web.stanford.edu/class/cs230/ 这些课程专为已有一定基础（基本的编程知识，熟悉Python、对机器学习有基本了解），想要尝试进入人工智能领域的计算机专业人士准备。介绍显示：“深度学习是科技业最热门的技能之一，本课程将帮你掌握深度学习。” 在这5堂课中，学生将可以学习到深度学习的基础，学会构建神经网络，并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。

所有神秘世界的钥匙发消息

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？

05:37

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

2.2 理解 mini-batch 梯度下降法

08:15

2.1 Mini-batch 梯度下降法

11:29

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

08:33

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