(强推|双字)2021版吴恩达深度学习课程Deeplearning.ai
入门深度学习必看吴恩达，入门深度学习必看吴恩达，入门深度学习必看吴恩达！！！！
（后续课件以及作业和全部代码会在主页动态更新）
2022.01.19更新2021版deeplearning.ai的吴恩达深度学习课程。
(侵权请提前联系删)
视频选集
（1/192）
01 - 1.0欢迎
05:33
02 - 1.1什么是神经网络
07:17
03 - 1.2监督学习与神经网络
08:30
04 - 1.3监督学习与神经网络
10:22
05 - 1.4关于这门课
02:28
06 - 1.5课程资源
01:56
07 - 1.6Geoffrey Hinton访谈（选修）
40:23
08 - 2.1二元分类
08:24
09 - 2.2逻辑回归
06:00
10 - 2.3逻辑回归损失函数
08:12
11 - 2.4梯度下降
11:24
12 - 2.5导数
07:11
13 - 2.6更多导数示例
10:28
14 - 2.7计算图
03:34
15 - 2.8计算图求导数
14:35
16 - 2.9逻辑回归梯度下降
06:43
17 - 2.10m示例上的梯度下降
08:01
18 - 2.11向量化
08:05
19 - 2.12更多向量化示例
06:20
20 - 2.13向量化逻辑回归
07:33
21 - 2.14向量化逻辑回归的梯度输出
09:38
22 - 2.15Python中的广播
11:07
23 - 2.16python numpy 向量的注释
06:50
24 - 2.17Jupyter iPython 笔记本的快速浏览
03:44
25 - 2.18逻辑回归损失函数的解释（选修）
07:15
26 - 2.19Pieter Abbeel访谈（选修）
16:04
27 - 3.1神经网络概览
04:27
28 - 3.2神经网络的表现形式
05:15
29 - 3.3计算神经网络的输出
09:59
30 - 3.4多样本向量化
09:06
31 - 3.5向量化实现的解释
07:38
32 - 3.6激活函数
10:57
33 - 3.7为什么需要非线性激活函数
05:37
34 - 3.8激活函数的导数
07:58
35 - 3.9神经网络的梯度下降
09:58
36 - 3.10反向传播的直觉（选修）
15:49
37 - 3.11随机初始化
07:58
38 - 3.12Ian Goodfellow访谈（选修）
14:56
39 - 4.1深L层神经网络
05:52
40 - 4.2深层网络中的正向传播
07:16
41 - 4.3正确的矩阵维数
11:11
42 - 4.4为什么深度这么有理
10:34
43 - 4.5为深层神经网络构建模块
08:34
44 - 4.6正向和反向传播
10:30
45 - 4.7参数vs超参数
07:18
46 - 4.8这与大脑的关系是什么
03:18
第二课1.1训练 开发 测试集
12:05
1.2偏见 方差
08:47
1.3机器学习的基本配方
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正规化抛弃
09:26
1.7理解抛弃
07:05
1.8其他的正则化方法
08:25
1.9归一化输入
05:31
1.10梯度消失 爆炸
06:08
1.11深度网络权值初始化
06:13
1.12梯度的数值近似
06:36
1.13梯度检查
06:35
1.14梯度检查实施须知
05:19
2.1小批量梯度下降
11:29
2.2理解小批量梯度下降
11:19
2.3指数加权平均
05:59
2.4理解指数加权平均
09:43
2.5指数加权平均数的偏差修正
04:12
2.6动量梯度下降
09:21
2.7RMSprop
07:42
2.8适应性矩估计（Adam）算法优化
07:08
2.9学习速率衰减
06:45
2.10局部最优解问题
05:24
3.1参数调整过程
07:11
3.2使用适当的标准来选择超参数
08:51
3.3实践中的超参数调整 熊猫vs鱼子酱
06:52
3.4网络中的正常化激活
08:56
3.5将Batch Norm拟合到神经网络中
12:56
3.6为什么Batch Norm有效
11:40
3.7测试时的Batch Norm
05:47
3.8Softmax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
3.11TensorFlow
15:02
第三课01 - 1.1为什么选择ML策略
02:43
02 - 1.2正交化
10:39
03 - 1.3单数评价指标
07:17
04 - 1.4满足和优化指标
05:59
05 - 1.5训练 开发 测试分布
06:36
06 - 1.6开发和测试集的大小和指标
05:40
07 - 1.7何时更改开发 测试集和指标
11:08
08 - 1.8为什么选择人类水平表现
05:47
09 - 1.9可避免的偏见
07:00
10 - 1.10理解人类水平表现
11:13
11 - 1.11超越人类水平表现
06:22
12 - 1.12提高您的模型性能
04:37
13 - 1.13Andrej Karpathy访谈
15:11
14 - 2.1进行误差分析
10:33
15 - 2.2清理错误标注的数据
13:06
16 - 2.3快速构建您的第一个系统，并进行迭代
05:26
17 - 2.4训练和测试的不同分布
10:56
18 - 2.5不匹配数据分布的偏差和方差
18:17
19 - 2.6解决数据不匹配问题
10:09
20 - 2.7迁移学习
11:18
21 - 2.8多任务学习
13:00
22 - 2.9什么是端到端深度学习
11:48
23 - 2.10是否使用端到端深度学习
10:20
24 - 2.11Ruslan Salakhutdinov访谈
17:09
第四课01 - 1.1计算机视觉
05:45
02 - 1.2边缘探测示例
11:31
03 - 1.3更多边缘探测
07:58
04 - 1.4填充
09:50
05 - 1.5卷积步长
09:02
06 - 1.6三维卷积
10:45
07 - 1.7卷积网络的一层
16:11
08 - 1.8卷积网络的简单示例
08:33
09 - 1.9池化层
10:26
10 - 1.10CNN示例
12:38
11 - 1.11为什么用卷积
09:41
12 - 2.1为什么要进行案例研究？
03:09
13 - 2.2经典网络
18:20
14 - 2.3残差网络
07:09
15 - 2.4为什么使用残差网络
09:13
16 - 2.5网络中的网络及1x1卷积
06:41
17 - 2.6初始网络动机
10:15
18 - 2.7初始网络
08:47
19 - 2.8MobileNet
16:19
20 - 2.9MobileNet架构
08:33
21 - 2.10EfficientNet
03:40
22 - 2.11使用开放源码
04:57
23 - 2.12迁移学习
08:49
24 - 2.13数据增强
09:32
25 - 2.14计算机视觉状态
12:39
26 - 3.1目标定位
11:55
27 - 3.2地标检测
05:57
28 - 3.3目标检测
05:50
29 - 3.4在卷积网络上实现滑动窗口
11:09
30 - 3.5边界框预测
14:32
31 - 3.6并交比
04:19
32 - 3.7非极大值抑制
08:03
33 - 3.8锚框
09:44
34 - 3.9YOLO（You Only Look Once）算法
07:02
35 - 3.10区域推荐网络（选修）
06:28
3.11 用u-net进行语义分割
07:22
3.12 转置卷积
07:40
3.13 u-net 结构灵感
03:22
3.14 u-net 结构
07:42
36 - 4.1.1什么是人脸识别
04:38
37 - 4.1.2单样本学习
04:46
38 - 4.1.3孪生神经网络
04:52
39 - 4.1.4Triplet Loss三元组损失
15:31
40 - 4.1.5人脸验证和二进制分类
06:06
41 - 4.2.1什么是神经风格迁移
02:03
42 - 4.2.2什么是深度卷积神经网络学习
07:58
43 - 4.2.3代价函数
04:00
44 - 4.2.4内容代价函数
03:38
45 - 4.2.5风格代价函数
13:18
46 - 4.2.6 1维和3维推广
09:09
第四课1.1为什么用序列模型
03:01
1.2注释
09:16
1.3循环神经网络模型
16:32
1.4通过时间的反向传播
06:12
1.5不同类型的RNNs
09:35
1.6语言模型和序列生成
12:02
1.7对新序列的采样
08:39
1.8RNNs的梯度消失
06:29
1.9门控循环单元（GRU）
17:07
1.10长短期记忆（LSTM）
09:54
1.11双向RNN
08:20
1.12深度RNNs
05:17
2.1词表示
10:08
2.2使用词嵌入
09:23
2.3词嵌入的性能
11:55
2.4矩阵嵌入
05:58
2.5学习词嵌入
10:09
2.6词转换成向量形式
12:48
2.7负采样
11:54
2.8GloVe 词向量
11:09
2.9情感分类
07:38
2.10词嵌入除偏
11:09
3.1基础模型
06:19
3.2选择最有可能的句子
08:57
3.3集束搜索
11:55
3.4细化集束搜索
11:01
3.5集束搜索中的错误分析
09:44
3.6Bleu分数（选修）
16:27
3.7注意力模型直觉
09:42
3.8注意力模型
12:23
3.9语音识别
08:54
3.10触发词检测
05:04
3.11Transformer网络直觉
05:30
3.12自注意力机制
11:44
3.13多头注意力机制
08:21
3.14Transformer网络
13:11
3.15结论及感谢
02:45
顶部