抱歉，您的浏览器无法访问本站

Face recognition & Neural style transfer 能够在图像、视频以及其他 2D 或 3D 数据上应用这些算法。

知道如何将卷积网络应用到视觉检测和识别任务。 知道如何使用神经风格迁移生成艺术。

理解如何搭建一个神经网络，包括最新的变体，例如残余网络。

• 理解如何搭建一个神经网络，包括最新的变体，例如残余网络。
• 知道如何将卷积网络应用到视觉检测和识别任务。
• 知道如何使用神经风格迁移生成艺术。
• 能够在图像、视频以及其他2D或3D数据上应用这些算法。

能够将序列模型应用到自然语言问题、音频应用 等，包括文字合成、语音识别和音乐合成。

能够将序列模型应用到自然语言问题中，包括文字合成。

这次我们要学习专项课程中第五门课 Sequence Models.

第一周: Recurrent Neural Networks 已被证明在时间数据上表现好，它有几个变体，包括 LSTM、GRU 和双向神经网络.

如何进行 误差分析、标注错误数据、定位数据不匹配偏差与方差

知道如何应用端到端学习、迁移学习以及多任务学习

这次我们要学习专项课程中第三门课 Structured Machine Learning Projects

学完这门课之后，你将会:

• 理解如何诊断机器学习系统中的错误
• 能够优先减小误差最有效的方向
• 理解复杂ML设定，例如训练/测试集不匹配，比较并/或超过人的表现
• 知道如何应用端到端学习、迁移学习以及多任务学习

很多团队浪费数月甚至数年来理解这门课所教授的准则，也就是说，这门两周的课可以为你节约数月的时间

Hyperparameter Tuning process、Normalizing Activations in a network

Fitting Batch Norm into a neural network、Why does Batch Norm work?、Batch Norm at test time

Softmax regression、TensorFlow

Mini-batch、指数加权平均-偏差修正、Momentum、RMSprop、Adam、学习率衰减、局部最优

这节课每一节的知识点都很重要，所以本次笔记几乎涵盖了全部小视频课程的记录

这次我们要学习专项课程中第二门课 Improving Deep Neural Networks

学完这门课之后，你将会:

• 能够高效地使用神经网络通用的技巧，包括 初始化、L2和dropout正则化、Batch归一化、梯度检验。
• 能够实现并应用各种优化算法，例如 Mini-batch、Momentum、RMSprop、Adam，并检查它们的收敛程度。
• 理解深度学习时代关于如何 构建训练/开发/测试集 以及 偏差/方差分析 最新最有效的方法.
• 能够用TensorFlow实现一个神经网络

这门课将会详尽地介绍深度学习的基本原理，而不仅仅只进行理论概述.

本周重点任务是使用Python要实现一个任意层的神经网络, 并在cat数据上测试.

正式进入神经网络的学习. 当然, 我们先从简单的只有一个隐藏层的神经网络开始。

在学习完本周内容之后, 我们将会使用 Python 实现一个单个隐藏层的神经网络。

本周我们将要学习 Logistic Regression, 它是神经网络的基础.

Logistic Regression 可以看成是一种只有输入层和输出层(没有隐藏层)的神经网络.