标签:吴恩达 第2页

卷积神经网络

吴恩达《卷积神经网络》课程笔记(2)– 深度卷积模型:案例研究

21

红色石头 发布于 2018-08-02

《Convolutional Neural Networks》是Andrw Ng深度学习专项课程中的第四门课。这门课主要介绍卷积神经网络(CNN)的基本概念、模型和具体应用。该门课共有4周课时,所以我将分成4次笔记来总结,这是第2节笔记。 1. Why look at case ...

阅读(376)评论(0)赞 (1)

吴恩达deeplearning.ai

吴恩达《构建机器学习项目》课程笔记(2)– 机器学习策略(下)

6

红色石头 发布于 2018-07-31

这是Andrew Ng深度学习专项课程第三门课《构建机器学习项目》的第二节笔记。 1. Carrying out error analysis 对已经建立的机器学习模型进行错误分析(error analysis)十分必要,而且有针对性地、正确地进行error analysis更加...

阅读(293)评论(0)赞 (3)

吴恩达deeplearning.ai

吴恩达《构建机器学习项目》课程笔记(1)– 机器学习策略(上)

9

红色石头 发布于 2018-07-31

《Structuring Machine Learning Projects》(构建机器学习项目)这门课是Andrw Ng深度学习专项课程中的第三门课。这门课主要介绍机器学习中的一些策略和方法,让我们能够更快更有效地让机器学习系统工作,该门课共有两周的课时。 1. Why ML ...

阅读(419)评论(0)赞 (4)

优化深度神经网络

吴恩达《优化深度神经网络》课程笔记(3)– 超参数调试、Batch正则化和编程框架

10

红色石头 发布于 2018-07-31

上节课我们主要介绍了深度神经网络的优化算法。包括对原始数据集进行分割,使用mini-batch gradient descent。然后介绍了指数加权平均(Exponentially weighted averages)的概念以及偏移校正(bias correction)方法。接着...

阅读(435)评论(0)赞 (1)

优化深度神经网络

吴恩达《优化深度神经网络》课程笔记(2)– 优化算法

14

红色石头 发布于 2018-07-31

上节课我们主要介绍了如何建立一个实用的深度学习神经网络。包括Train/Dev/Test sets的比例选择,Bias和Variance的概念和区别:Bias对应欠拟合,Variance对应过拟合。接着,我们介绍了防止过拟合的两种方法:L2 regularization和Drop...

阅读(438)评论(0)赞 (0)

优化深度神经网络

吴恩达《优化深度神经网络》课程笔记(1)– 深度学习的实用层面

18

红色石头 发布于 2018-07-31

Andrew Ng的深度学习专项课程的第一门课《Neural Networks and Deep Learning》的5份笔记我已经整理完毕。在接下来的几次笔记中,我们将对第二门课《Improving Deep Neural Networks: Hyperparameter tu...

阅读(528)评论(0)赞 (2)

吴恩达deeplearning.ai

吴恩达《神经网络与深度学习》课程笔记(5)– 深层神经网络

7

红色石头 发布于 2018-07-30

本节课主要介绍了深层神经网络,是上一节浅层神经网络的拓展和归纳。首先,我们介绍了建立神经网络模型一些常用的标准的标记符号。然后,用流程块图的方式详细推导正向传播过程和反向传播过程的输入输出和参数表达式。我们也从提取特征复杂性和计算量的角度分别解释了深层神经网络为什么优于浅层神经网...

阅读(427)评论(0)赞 (2)

吴恩达deeplearning.ai

吴恩达《神经网络与深度学习》课程笔记(4)– 浅层神经网络

16

红色石头 发布于 2018-07-30

本节课主要介绍了浅层神经网络。首先,我们简单概述了神经网络的结构:包括输入层,隐藏层和输出层。然后,我们以计算图的方式推导了神经网络的正向输出,并以向量化的形式归纳出来。接着,介绍了不同的激活函数并做了比较,实际应用中根据不同需要选择合适的激活函数。激活函数必须是非线性的,不然神...

阅读(472)评论(0)赞 (2)

吴恩达deeplearning.ai

吴恩达《神经网络与深度学习》课程笔记(3)– 神经网络基础之Python与向量化

2

红色石头 发布于 2018-07-29

本节课我们主要介绍了神经网络基础——python和向量化。在深度学习程序中,使用向量化和矩阵运算的方法能够大大提高运行速度,节省时间。以逻辑回归为例,我们将其算法流程包括梯度下降转换为向量化的形式。同时,我们也介绍了python的相关编程方法和技巧。

阅读(491)评论(0)赞 (2)