下面是对过去一个月所学习整理的吴恩达的深度学习课程的一个梳理，方便以后回顾和更深入学习某个部分。
1. 神经网络基础
介绍了深度学习的基本情况，包括深度学习是什么、监督学习、为什么深度学习会兴起等问题。
引入逻辑回归二分类问题，介绍了二分类问题、逻辑回归模型及其代价函数、梯度下降法、导数、计算图及其求导、向量化、广播、numpy向量、jupyter使用、logistic损失函数等概念方法工具。
引入浅层神经网络，介绍了向量化、激活函数、梯度下降、反向传播、初始化等概念方法。
引入深层神经网络，介绍了前向、反向传播、核对维数、参数超参数、与大脑关联性等概念方法。
2. 卷积神经网络
引入了卷积神经网络，介绍了边缘检测、padding、卷积步长、单层卷积网络、池化层等概念方法。
引入了深度卷积网络模型，介绍了LeNet、AlexNet和VGG经典DCN结构、残差网络、1×1卷积、Inception网络、迁移学习、数据增强等模型概念工具方法。
引入了目标检测任务，介绍了目标定位、特征点检测、目标检测、滑动窗口及其卷积实现、边界框、交并比、非极大抑制、Anchor boxes、YOLO算法、候选区域等模型概念工具方法。
引入了人脸识别和神经风格转化任务，介绍了One-Shot学习、Siamese网络、Triplet损失、人脸验证与二分类、内容代价函数、风格代价函数、二维推广到一三维等概念工具思想。
3. 序列模型
引入了序列模型，介绍了RNN、BPTT、语言模型、序列生成（seq2seq）、序列采样、GRU、LSTM、双向、深层RNN等模型概念思想。
引入了词嵌入，介绍了词嵌入特性、嵌入矩阵、学习方法、Word2vec、负采样、GloVe、情感分类任务、除偏任务等模型任务概念思想。
引入了序列模型和注意力机制，介绍了seq2seq模型结构、集束搜索、BLUE、attention机制、语音识别任务、触发字检测任务、致谢等模型概念任务思想。
4. 神经网络优化
5. 机器学习项目
1384
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
