- 掌握深度学习技巧的感觉就像现在领导着超级大国一样。从分类图像和翻译语言到构建自动驾驶汽车,所有这些任务都是由计算机驱动而不是人工操作。深度学习已经渗透到多个多样化的行业中,并且几乎每周都会继续开辟新的领域。
(本文主要参考deeplearning.ai项目)
目录
1. 项目简介
2. 神经网络基础
2.1 Logistic回归作为神经网络
2.2 Python和矢量化
3. 浅层神经网络
4. 深度神经网络
1. 项目简介
首先在第1部分简要介绍了深度学习和神经网络,在第2部分中,我们深入研究神经网络的基础知识。Andrew Ng解释了如何使用神经网络解决逻辑回归问题;在第3部分,讨论转向浅层神经网络,简要介绍激活函数,梯度下降和前向和后向传播;最后,Andrew Ng为我们讲授了最令人期待的主题 - 深度神经网络
2. 神经网络和深度学习
2.1. 深度学习简介
第一个模块的学习目标如下:
- 了解推动深度学习兴起的主要趋势
- 能够解释深度学习如何应用于监督学习
- 了解什么是主要的模型类别(如CNN和RNN),以及何时应用它们
- 能够识别深度学习何时(或不会)运作良好的基础知识
什么是神经网络?
考虑一个我们必须预测房屋价格的例子。我们给出的变量是房子的平方英尺(或平方米)的大小和房子的价格。现在假设我们有6所房子。先让我们绘制一个图表来想象我们正在看的东西: