吴恩达深度学习课程：深度学习入门笔记全集目录
<table border="1" style="margin: 0 auto; text-align: center"><tbody><tr>
<th>课程</th>
<th>周数</th>
<th>类别</th>
<th>内容</th>
</tr>
<tr>
<td rowspan="15">课程一：神经网络和深度学习</td>
<td rowspan="2">第一周：深度学习简介</td>
<td>理论</td>
<td style="text-align: left">（1）深度学习简介</td>
</tr>
<tr>
<td>实践</td>
<td>无</td>
</tr>
<tr>
<td rowspan="7">第二周：神经网络基础</td>
<td rowspan="6">理论</td>
<td style="text-align: left">（1）回归基础 </td>
</tr>
<tr><td style="text-align: left">（2）分类与逻辑回归</td></tr>
<tr><td style="text-align: left">（3）梯度下降法</td></tr>
<tr><td style="text-align: left">（4）损失函数与传播</td></tr>
<tr><td style="text-align: left">（5）向量化</td></tr>
<tr><td style="text-align: left">（6）向量化的反向传播</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="4">第三周：浅层神经网络</td>
<td rowspan="3">理论</td>
<td style="text-align: left">（1）正向传播</td>
</tr>
<tr><td style="text-align: left">（2）激活函数和反向传播</td></tr>
<tr><td style="text-align: left">（3）初始化</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="2">第四周：深度神经网络的关键概念</td>
<td>理论</td>
<td style="text-align: left">（1）深度神经网络的关键概念</td>
</tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="19">课程二： 改善深层神经网络</td>
<td rowspan="7"> 第一周：深度学习的实践</td>
<td rowspan="6">理论</td>
<td style="text-align: left">（1）偏差与方差</td>
</tr>
<tr><td style="text-align: left">（2）L2正则化</td></tr>
<tr><td style="text-align: left">（3）dropout正则化</td></tr>
<tr><td style="text-align: left">（4）其他缓解过拟合的方法 </td></tr>
<tr><td style="text-align: left">（5）归一化</td></tr>
<tr><td style="text-align: left">（6）梯度现象和梯度检验</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="6">第二周：优化算法</td>
<td rowspan="5">理论</td>
<td style="text-align: left">（1）Mini-batch 梯度下降</td>
</tr>
<tr><td style="text-align: left">（2）指数加权平均和学习率衰减</td></tr>
<tr><td style="text-align: left">（3）Momentum梯度下降法</td></tr>
<tr><td style="text-align: left">（4）RMSprop</td></tr>
<tr><td style="text-align: left">（5）Adam 优化算法 </td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="6"> 第三周：超参数调整，批量标准化和编程框架</td>
<td rowspan="5">理论</td>
<td style="text-align: left">（1）超参数调整</td>
</tr>
<tr><td style="text-align: left">（2）batch归一化</td></tr>
<tr><td style="text-align: left">（3）多值预测与多分类 </td></tr>
<tr><td style="text-align: left">（4）编程框架</td></tr>
<tr><td style="text-align: left">（5）框架演示</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="10">课程三： 结构化机器学习项目</td>
<td rowspan="4">第一周：机器学习策略</td>
<td rowspan="3">理论</td>
<td style="text-align: left">（1）正交化调优和评估指标</td>
</tr>
<tr><td style="text-align: left">（2）数据集设置</td></tr>
<tr><td style="text-align: left">（3）模型性能与“人类性能”</td></tr>
<tr>
<td>实践</td>
<td>无</td>
</tr>
<tr>
<td rowspan="6">第二周：误差分析与学习方法</td>
<td rowspan="5">理论</td>
<td style="text-align: left">（1）误差分析与快速迭代</td>
</tr>
<tr><td style="text-align: left">（2）数据不匹配问题 </td></tr>
<tr><td style="text-align: left">（3）迁移学习</td></tr>
<tr><td style="text-align: left">（4）多任务学习</td></tr>
<tr><td style="text-align: left">（5）端到端学习</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="18">课程四：计算机视觉</td>
<td rowspan="5">第一周：卷积基础知识</td>
<td rowspan="4">理论</td>
<td style="text-align: left">（1）图像处理基础</td>
</tr>
<tr><td style="text-align: left">（2）卷积参数</td></tr>
<tr><td style="text-align: left">（3）简单卷积网络</td></tr>
<tr><td style="text-align: left">（4）池化操作与卷积中的反向传播</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="5">第二周：经典网络结构</td>
<td rowspan="4">理论</td>
<td style="text-align: left">（1）经典卷积网络</td>
</tr>
<tr><td style="text-align: left">（2）残差网络</td></tr>
<tr><td style="text-align: left">（3）1×1卷积与Inception网络</td></tr>
<tr><td style="text-align: left">（4）CV 方法论</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="5">第三周：检测算法</td>
<td rowspan="4">理论</td>
<td style="text-align: left">（1）目标定位与特征点检测</td>
</tr>
<tr><td style="text-align: left">（2）目标检测算法</td></tr>
<tr><td style="text-align: left">（3）交并比、非极大值抑制和锚框</td></tr>
<tr><td style="text-align: left">（4）YOLO 的完整传播过程</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="3">第四周：卷积网络应用</td>
<td rowspan="2">理论</td>
<td style="text-align: left">（1）人脸识别</td>
</tr>
<tr><td style="text-align: left">（2）图像风格转换</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="20">课程五：自然语言处理</td>
<td rowspan="8"> 第一周：循环神经网络</td>
<td rowspan="7">理论</td>
<td style="text-align: left">（1）序列数据与序列模型</td>
</tr>
<tr><td style="text-align: left">（2）循环神经网络</td></tr>
<tr><td style="text-align: left">（3）语言模型</td></tr>
<tr><td style="text-align: left">（4）RNN 中的梯度现象</td></tr>
<tr><td style="text-align: left">（5）门控循环单元 GRU</td></tr>
<tr><td style="text-align: left">（6）长短期记忆 LSTM</td></tr>
<tr><td style="text-align: left">（7）双向 RNN 与深层 RNN</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="7">第二周：词嵌入</td>
<td rowspan="6">理论</td>
<td style="text-align: left">（1）词汇表征和类比推理</td>
</tr>
<tr><td style="text-align: left">（2）词嵌入模型原理</td></tr>
<tr><td style="text-align: left">（3）Word2Vec</td></tr>
<tr><td style="text-align: left">（4）分层 softmax 和负采样</td></tr>
<tr><td style="text-align: left">（5）GloVe 算法</td></tr>
<tr><td style="text-align: left">（6）情绪分类和词嵌入除偏</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
<tr>
<td rowspan="5">第三周：序列模型与注意力机制</td>
<td rowspan="4">理论</td>
<td style="text-align: left">（1）seq2seq 模型</td>
</tr>
<tr><td style="text-align: left">（2）束搜索</td></tr>
<tr><td style="text-align: left">（3）注意力机制</td></tr>
<tr><td style="text-align: left">（4）语音识别和触发字检测</td></tr>
<tr>
<td>实践</td>
<td>E & C</td>
</tr>
</tbody></table><br><br>
来源：https://www.cnblogs.com/Goblinscholar/p/19581510
頁:
[1]