第一课
第一周 深度学习概论
第二周 神经网络基础
2.14 向量化 logistic 回归的梯度输出 课程 笔记
2.16 关于 python / numpy 向量的说明 课程 笔记
2.17 Jupyter / Ipython 笔记本的快速指南 课程
2.18 (选修)logistic 损失函数的解释 课程 笔记
第三周 浅层神经网络
第四周 深层神经网络
第二课
第一周 深度学习的实用层面
第二周 优化算法
2.1 Mini-batch 梯度下降法 课程 笔记1 笔记2
2.2 理解 mini-batch 梯度下降法 课程 笔记同上
第三周 超参数调试、Batch正则化和程序框架
3.3 超参数训练的实践:Pandas VS Caviar 课程 笔记
3.4 正则化网络的激活函数 课程 笔记1 笔记2 零星思考
- BatchNormalization, standardization
3.5 将 Batch Norm 拟合进神经网络 课程 笔记 同上
3.6 Batch Norm 为什么奏效? 课程 笔记 同上
3.7 测试时的 Batch Norm 课程 笔记 新笔记 同上
第三课
第一周 机器学习(ML)策略(1)
1.1 为什么是 ML 策略 Why ML Strategy 课程 笔记
1.2 正交化 Orthogonalization 课程 笔记 零星思考
1.3 单一数字评估指标 Simple Evaluation Metric 课程 笔记 零星思考
1.4 满足和优化指标 Optimizing and Satisficing Metric 课程 笔记 应用 零星思考
1.5 训练 / 开发 / 测试集划分 Train Dev Test Sets 课程 笔记 零星思考
1.6 开发集合测试集的大小 Dev Test Size 课程 笔记 零星思考
1.7 什么时候该改变开发 / 测试集和指标 课程 笔记 零星思考1,2
1.8 为什么是人的表现 Why human level performance 课程 笔记 零星思考
1.9 可避免偏差 Avoidable Bias 课程 笔记 零星思考
1.10 理解人的表现 理解 human level performance 课程 笔记 应用 零星思考
1.11 超过人的表现 超越 human level performance 课程 笔记 零星思考
1.12 改善你的模型的表现 改进模型表现 课程 笔记 零星思考
第二周 机器学习(ML)策略(2)
2.1 进行误差分析 Error Analysis 课程 笔记 零星思考
2.2 清楚标注错误的数据 Clean up incorrectly labeled data 课程 笔记1 笔记2 零星思考
2.3 快速搭建你的第一个系统,并进行迭代 课程 笔记 零星思考
2.6 定位数据不匹配 如何解决train-dev分布不同问题 课程 笔记1 2 零星思考
2.7 迁移学习 Transfer Learning 课程 笔记 零星思考
2.8 多任务学习 Multi-task Learning 课程 笔记 零星思考
- keywords: end-to-end learning, feature_extraction
第四课 CNN
第一周 卷积神经网络
1.1 计算机视觉 computer vision 课程 文本笔记 视频笔记
1.2 边缘检测实例 edge detection example 课程 文本笔记 视频笔记 复习笔记
1.5 卷积步长 strides 课程 文本笔记 视频笔记 弹幕笔记
1.6 卷积中'卷'的体现之处 Convolution over volumes 课程 文本笔记 视频笔记
1.7 单层卷积网络 one layer of convolutional network 课程 文本笔记 视频笔记
1.8 简单卷积网络示例 simple CNN 课程 文本笔记 视频笔记
1.9 池化层 pooling layer 课程 文本笔记 视频笔记
1.10 CNN model example LeNet-5 课程 文本笔记 视频笔记
1.11 CNN why convolution 课程 文本笔记 视频笔记
第二周 深度卷积神经网络:实例探究
2.02 经典网络 LeNet, AlexNet, VGG16 课程 视频笔记
2.03 残差网络 Residual network 课程 视频笔记
2.04 残差网络为什么有用 Why ResNet works 课程 视频笔记
2.05 network in network and 1x1 convolution 课程 视频笔记
2.07 Inception network 课程 视频笔记
2.09 迁移学习 transfer learing 课程 视频笔记
2.10 扩充数据 data augmentation 课程 视频笔记
第三周 目标检测
3.1 目标定位 object detection 课程 视频笔记
3.2 特征点检测 landmark detection 课程 视频笔记
3.3 目标检测 object detection 课程 视频课程
3.4 卷积移动窗口的实现 convolutional implementation of sliding window 课程 文本笔记
3.6 交集并集比 Intersection over union 课程 文本笔记
3.7 非极大集抑制 Non-max suppression 课程 文本笔记
第四周
4.1 人脸识别 face verification vs recognition 课程 文本笔记
4.5 face verification and binary classification 课程 文本笔记
4.6 neutral style transfer 课程 文本笔记
4.8 neural transfer 损失函数 课程 文本笔记
4.9 content loss function 课程 文本笔记