背景音乐:Romeo's Tune - Pajaro Sunrise
由于此前已经学完了一部分内容,这段时间也会把剩下的内容补上。
同时,会简单地做个笔记,方便以后能更快地回忆起其中的关键知识点。
当完成某部分笔记的时候,会在下面的文字部分添加超链接跳转到笔记部分。
希望能在年底之前完成这部分的学习和整理工作。
Deeplearning.ai的课程分为以下5个部分(照搬Coursera上的)。
大家完全可以按照这个计划,一步步由浅入深地学习。
1、神经网络和深度学习
这一部分是学习深度学习的基础。
第一周:深入学习的介绍
第二周:神经网络基础
第三周:浅神经网络
第四周:深度神经网络
完成本课程后,将:
- 了解驱动深度学习的主要技术趋势 - 能够建立,训练和应用完全连接的深度神经网络。
- 知道如何实现高效(矢量化)的神经网络。
- 了解关键参数神经网络的体系结构。
2、改善深层神经网络:超参数调整,正则化和优化
这一部分是教你理解什么是驱动性能,并能够更系统地获得好的结果,也将学习TensorFlow。
第一周:深度学习的实践方面
第二周:优化算法(笔记 )
第三周:超参数调整,批量规范化和编程框架
完成本课程后,将:
- 了解构建深度学习应用程序的行业最佳实践。
- 能够有效地使用常见的神经网络“技巧”,包括初始化,L2和丢失正则化,批量规范化,梯度检查。
- 能够实现和应用各种优化算法,如小批量梯度下降,动量,RMSprop和Adam,并检查它们的收敛性。
- 了解如何设置培训/开发/测试集和分析偏差/方差的深度学习时代的新的最佳实践。
- 能够在TensorFlow中实现神经网络。。
3、结构化机器学习项目
这一部分是教你如何构建一个成功的机器学习项目。
需要注意的是,学习这一部分需要有基本的机器学习知识(同样可以在Coursera上习得)
完成本课程后,将:
- 了解如何诊断机器学习系统中的错误
- 能够优先考虑减少错误的最有希望的方向
- 理解复杂的ML设置,例如不匹配的训练/测试集,并比较和/或超越人类的表现
- 知道如何应用端到端的学习,转移学习和多任务学习。
4、卷积神经网络
这一部分是教你如何构建卷积神经网络并将其应用于图像数据。
第一周:卷积神经网络的基础
第二周:深度卷积模型:案例研究
第三周:对象检测
第四周:特殊应用:脸部识别和神经风格转移
完成本课程后,将:
- 了解如何构建卷积神经网络,包括最近的变化,如残留网络。
- 知道如何将卷积网络应用于视觉检测和识别任务。
- 知道使用神经风格转移来生成艺术。
- 能够将这些算法应用于各种图像,视频和其他2D或3D数据。
5、序列模型
将于2017年11月下旬开始,到时候补充。
网友评论