1.1 欢迎
总共分为四门课:
-
第一门课(神经网络和深度学习):你将学习神经网络的基础,你将学习神经网络和深度学习,这门课将持续四周,专项课程中的每门课将持续2至4周。你将学习如何建立神经网络(包含一个深度神经网络),以及如何在数据上面训练他们。在这门课程的结尾,你将用一个深度神经网络进行辨认猫。
-
第二门课(改善深层神经网络):我们将使用三周时间。你将进行深度学习方面的实践,学习严密地构建神经网络,如何真正让它表现良好,因此你将要学习超参数调整、正则化、诊断偏差和方差以及一些高级优化算法,比如Momentum和Adam算法,犹如黑魔法一样根据你建立网络的方式。第二门课只有三周学习时间。
-
第三门课(结构化机器学习项目):我们将使用两周时间来学习如何结构化你的机器学习工程。事实证明,构建机器学习系统的策略改变了深度学习的错误。
举个例子:你分割数据的方式,分割成训练集、比较集或改变的验证集,以及测试集合,改变了深度学习的错误。
所以最好的实践方式是什么呢?你的训练集和测试集来自不同的贡献度在深度学习中的影响很大,那么你应该怎么处理呢?如果你听说过端对端(end-to-end)深度学习,你也会在第三门课中了解到更多,进而了解到你是否需要使用它,第三课的资料是相对比较独特的,我将和你分享。我们了解到的所有的热门领域的建立并且改良许多的深度学习问题。这些当今热门的资料,绝大部分大学在他们的深度学习课堂上面里面不会教的,我认为它会提供你帮助,让深度学习系统工作的更好。 -
第四门课程(卷积神经网络):我们将会提到卷积神经网络(CNN(s)),它经常被用于图像领域,你将会在第四门课程中学到如何搭建这样的模型。
-
第五门课(序列模型):你将会学习到序列模型,以及如何将它们应用于自然语言处理,以及其它问题。
- 序列模型包括的模型有循环神经网络(RNN)、全称是长短期记忆网络(LSTM)。你将在课程五中了解其中的时期是什么含义,并且有能力应用到自然语言处理(NLP)问题。
1.2 什么是神经网络
神经网络:Neural Network
ReLU : Rectified Linear Unit,修正线性单元(即线性函数小于0的部分取0)
1.3 用神经网络进行监督学习
不同应用需要选择不同的神经网络:
Input(x) | Output(y) | Application | Type of NN |
---|---|---|---|
Home features | Price | Real Estate | Standard NN |
Ad,user info | Click on ad?(0/1) | Online Advertising | Standard NN |
Image | Object(1,…,1000) | Photo tagging | CNN |
Audio | Text transcript | Speech recognition | RNN |
English | Chinese | Machine translation | RNN |
Image,Radar info | Position of other cars | Autonomous driving | Custom Hybridg(更复杂的混合神经网络) |
Tips :
- 图像领域常用卷积神经网络(CNN:Convolutionary Neural Network);
- 音频是一维时间序列,序列数据常用循环神经网络(RNN:Recurrent Neural Network)
- 语言都是逐字逐句地出现,所以也是序列数据
- Structed Data : databases of data,有数据库或数据列表,对每个特征都有明确的定义
- Unstructed Data : e.g.Audio,image,text.etc
1.4 为什么深度学习会兴起?
主要原因:
- 数据规模的增大和神经网络模型规模的增大
- 算力上升提高了迭代速度
- 算法的创新增加了计算速度
Notation:
- m : number of training set