深度学习 共5门课程,建议 4个月 以内学习完成
第一课:神经网络和深度学习
这门课将为你介绍深度学习的基础知识。学完这门课,你将能够:
- 理解驱动深度学习的主要技术趋势。
- 能够搭建、训练并且运用全连接的深层神经网络。
- 了解如何实现高效的(向量化)的神经网络。
- 理解神经网络架构中的关键参数。
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。
当你完成这门微专业之后,你就能够将深度学习运用到你的个人应用中,调教出属于你自己的AI。
如果你正在找与人工智能有关的工作,那么,在学习完这门课后,应对面试官提问的基础面试问题就绰绰有余了。
笔记地址:
第二课:改善深层神经网络:超参数调试、正则化以及优化
学完这门课之后,你将会:
- 理解业界构建深度神经网络应用最有效的做法。
- 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和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。
当你完成这门微专业之后,你就能够将深度学习运用到你的个人应用中,调教出属于你自己的AI。
如果你正在找与人工智能有关的工作,那么,在学习完这门课后,应对面试官提问的基础面试问题就绰绰有余了。
笔记地址:
- 第一周:深度学习的实用层面
- 第二周:优化算法
- 第三周:超参数调试、Batch正则化和程序框架
第三课:结构化机器学习项目
本课程的很多内容都是首次作为教学内容,并且很多都源自我个人在构建和运营深度学习产品方面的经验。这门课也有两个“流程模拟器”,可以让你作为机器学习项目的领导者,练习如何决策。这会让你收获极其宝贵的“行业经验”,一般来说,这些经验可能要通过多年的工作积累才能得到。
在2周的学习之后,你会:
- 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。
笔记地址:
- 第一周:机器学习(ML)策略 1
- 第二周:机器学习(ML)策略 2
第四课:卷积神经网络
通过这门课的学习,你将会:
- 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。
笔记地址:
-
第一周:卷积神经网络
-
第二周:深度卷积网络:实例探究
-
第三周:目标检测
-
第四周:特殊应用:人脸识别和神经风格转换
第五课:序列模型
这是深度学习工程师微专业的第五门课。
通过这门课的学习,你将会:
- 理解如何构建并训练循环神经网络(RNN),以及一些广泛应用的变体,例如GRU和LSTM
- 能够将序列模型应用到自然语言问题中,包括文字合成。
- 能够将序列模型应用到音频应用,包括语音识别和音乐合成。
笔记地址:
- 第一周:循环序列模型
- 第二周:自然语言处理与词嵌入
- 第三周:序列模型和注意力机制