这些问题的解决将有助于推动深度学习技术的进一步发展。总之,吴恩达的《深度学习》课程为我提供了宝贵的学习机会和实践经验。通过这门课程的学习,我对深度学习的基本原理和应用有了更深入的了解。同时,我也意识到了深度学习的挑战和未来的发展方向。在未来,我将继续关注深度学习的最新进展,并努力将其应用于实际问题中。
1、深度学习概要 在这一部分,我希望结合视频内容对“深度学习”和“神经网络”两个词形成自己的表述。视频课程里的说法是“深度学习”是用来训练“神经网络”的一种算法,首先,什么是“神经网络”,其次,“训练”是个很抽象的词,我们会说训练人或训练动物,但对于一个非生物的“神经网络”,什么叫“训练”,怎么“训...
优美的信息图：吴恩达点赞的deeplearning.ai课程总结 吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点。因此它不仅仅适合初学者了解深度学习，还适合机器学习从业者和研究者复习基本概念。机器之心认为这不仅仅是一份课程笔记，同时还是一套信息...
也许是前面神经网络这些基础知识掌握还不错,在加上吴恩达老师讲得浅显易懂,我发现在学习CNN、RNN居然没有什么很难理解的地方,而且在学习残差网络、Inception、Word2Vec、Seq2Seq和注意力机制这些内容的时候,也感觉非常容易理解。 感谢这门课程,在2017年的时候,曾经一个Seq2Seq虽然我自己用过,并且看过源代码,当时也...
#该总结涵盖吴恩达老师神经网络与深度学习课程第三周的课程内容 提纲 一、从logistic回归到神经网络 二、神经网络的结构 三、浅层神经网络的实现 四、心得体会 一、从logistic回归到神经网络 此处的神经网络指含有隐藏层的网络结构,logistic回归指结构中仅含一个神经元的情形,我们不在概念上纠结只含一个神经元的logist...
第2课:深度学习中的矢量化在上这门课之前,我没有意识到一个神经网络可以在没有任何明确的循环的情况下实现(除了层之间)。吴恩达在表达Python中一个矢量化代码设计的重要性方面做得非常出色。课程中的作业为你提供了一个样板化的代码设计,你可以轻松地将其转移到你自己的应用程序中。
截止到2017年10月25日,吴恩达在Coursera上目前有3门新的深度学习课程: 1.神经网络和深度学习(Neural Networks and Deep Learning) 2.改善深度神经网络:调优超参数,正则化和优化(Improving Deep Neural Networks: Hyperparamater tuning, Regularization and Optimization) ...
这几天每天花了点时间看完了吴恩达的深度学习课程视频。目前还只有前三个课程,后面的卷积神经网络和序列模型尚未开课。课程的视频基本上都是十分钟出头的长度,非常适合碎片时间学习。 一直以为深度学习的重点在于设计精巧、神秘的算法来模拟人类解决问题。学了这门课程才明白如何根据实际问题优化、调整模型更为重要。事实...
深度学习能发展起来主要是由于大数据的出现,神经网络的训练需要大量的数据;而大数据本身也反过来促进了更大型网络的出现。深度学习研究的一大突破是新型激活函数的出现,用 ReLU 函数替换 sigmoid 函数可以在反向传播中保持快速的梯度下降过程,sigmoid 函数在正无穷处和
这个算法可以有不同的名字。您可能听说过深度学习算法或模型、神经网络或卷积神经网络等术语。 该算法以分数的形式生成输出,分数是图像包含肿块的概率。 上图中第一幅图像实际上有肿块,但算法输出的肿块的概率为0.48,而下面那个正常的图像肿块的概率被输出为0.51。