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:

在线视频地址:网易在线视频


在这5堂课中,学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学习常用的网络结构、工具和知识都有涉及。

课程中也会有很多实操项目,帮助学生更好地应用自己学到的深度学习技术,解决真实世界问题。这些项目将涵盖医疗、自动驾驶、和自然语言处理等时髦领域,以及音乐生成等等。Coursera上有一些特定方向和知识的资料,但一直没有比较全面、深入浅出的深度学习课程——《深度学习专业》的推出补上了这一空缺。

课程的语言是Python,使用的框架是Google开源的TensorFlow。最吸引人之处在于,课程导师就是吴恩达本人,两名助教均来自斯坦福计算机系。完成课程所需时间根据不同的学习进度,大约需要3-4个月左右。学生结课后,Coursera将授予他们Deep Learning Specialization结业证书。