首页

投稿

【高清重制】2025年公认最好的【吴恩达深度学习课程】附作业习题、代码及实战项目！--人工智能/深度学习/神经网络

12.6万

142

2025-03-11 15:36:18

未经作者授权，禁止转载

【吴恩达深度学习课程】课后作业习题、代码及实战项目，可在gong众号【坚持打代码】回复【22】无偿分享~

计算机视觉

计算机技术

深度学习入门

吴恩达AI_AndrewNg 发消息

gong众号【坚持打代码】回复【22】自取资源

1.0_课程介绍（可跳过不看）

05:10

2.1什么是神经网络

07:01

3.2_神经网络的监督学习

08:11

4.3_why-is-deep-leaming-taking-off

09:59

5.4_关于这门课

02:35

6.5_geoffrey hinton 采访

38:51

7.6_二分类

08:15

8.7_逻辑回归

05:51

9.8_逻辑回归成本函数

07:57

10.9_梯度下降法

11:06

11.10_导数

06:53

12.11_更多的导函数示例

10:10

13.12_计算图

03:26

14.13_使用计算图的导数

14:17

15.14_逻辑回归的梯度下降

06:43

16.15_m 个样本上的梯度下降.

08:01

17.16_向量化.

08:05

18.17_更多的向量化示例

06:20

19.18_向量化逻辑回归.

07:33

20.19_向量化逻辑回归的梯度输出.

09:38

21.20_python 中的广播

11:06

22.21_关于 python numpy 向量的说明.

06:50

23.22_jupyter ipython 笔记本快速了解.

03:44

24.23_逻辑回归成本函数的解释(可选)

07:15

25.24_pieter abbeel 采访

16:04

26.25_神经网络概述.

04:27

27.26_神经网络表示.

05:15

28.27_计算神经网络的输出

09:58

29.28_跨多个示例的向量化.

09:06

30.29_向量化实现的解释.

07:38

31.30_激活函数.

10:57

32.31_为什么需要非线性激活函数.

05:36

33.32_激活函数的导数.

07:58

34.33_神经网络的梯度下降

09:58

35.34_反向传播直觉(可选).

15:49

36.35_随机初始化.

07:58

37.36_ian goodfellow 采访.

14:56

38.37_深度 l 层神经网络.

05:52

39.38_深度网络中的前向传播

07:16

40.39_正确设置矩阵维度.

11:10

41.40_为什么要深度表示.

10:34

42.41_深度神经网络的构建模块

08:34

43.42_前向和反向传播.

10:30

44.43_参数与超参数.

07:17

45.44_这与大脑有什么关系

03:18

46.0_训练集、开发集、测试集.

12:05

47.1_偏差、方差.

08:47

48.2_机器学习的基本方法.

06:22

49.3_正则化.zh_en

09:43

50.4_为什么正则化可以减少过拟合.zh_en

07:10

51.5_dropout 正则化.

09:26

52.6_理解 dropout.

07:06

53.7_其他正则化方法.

08:24

54.8_输入规范化.

05:30

55.9_梯度消失爆炸.

06:08

56.10_深度网络的权重初始化

06:11

57.11_梯度的数值近似.

06:36

58.12_梯度检查.

06:35

59.13_梯度检查实现注意事项

05:19

60.14_yoshua bengio 采访.

25:49

61.15_小批量梯度下降.

11:29

62.16_了解小批量梯度下降.

11:19

63.17_指数加权平均.

05:59

64.18_理解指数加权平均

09:42

65.19_指数加权平均中的偏差校正.

04:13

66.20_带动量的梯度下降.

09:21

67.21_rmsprop.

07:42

68.22_adam 优化算法.zh_en

07:08

69.23_学习率衰减.

06:45

70.24_局部最优的问题.

05:24

71.25_yuanqing lin 采访

13:37

72.26_调优过程.

07:11

73.27_使用适当的量级来选择超参数.

08:51

74.28_超参数调优的实际应用-熊猫和鱼子酱.

06:52

75.29_标准化网络中的激活

08:55

76.30_将批标准化融入神经网络.

12:56

77.31_批标准化为什么有效.

11:40

78.32_测试时的批标准化

05:47

79.33_softmax 回归

11:48

80.34_训练 softmax 分类器

10:08

81.35_深度学习框架

04:16

82.36_tensorflow.

15:02

83.0_为什么要制定 ml 策略

02:43

84.1_正交化.

10:39

85.2_单一的评估指标.

07:17

86.3_满足要求和优化指标.

05:59

87.4_训练集、开发集、测试集的分布

06:36

88.5_开发集和测试集的大小.

05:40

89.6_何时更改开发集测试集和指标.

11:08

90.7_为什么需要达到人类水平的性能.

05:47

91.8_可避免的偏差.

07:00

92.9_理解人类水平的性能.

11:13

93.10_超越人类水平的性能.

06:22

94.11_改进模型性能

04:37

95.12_andrej karpathy 采访.

15:11

96.13_开展错误分析.

10:33

97.14_清理标记错误的数据.

13:06

98.15_迅速构建第一个系统,然后迭代

05:25

99.16_在不同分布上训练和测试

10:56

100.17_数据分布不匹配的偏差和方差

18:17

101.18_解决数据不匹配的问题

10:09

102.19_迁移学习

11:18

103.20_多任务学习

13:00

104.21_什么是端到端的深度学习

11:48

105.22_是否要使用端到端的深度学习.

10:20

106.23_ruslan salakhutdinov 采访.

17:09

107.0_计算机视觉.

05:44

108.1_边缘检测示例

11:31

109.2_更多边缘检测.

07:58

110.3_填充.

09:50

111.4_stride 卷积.

08:58

112.5_体积上的卷积.

10:45

113.6_卷积网络的一层.

16:11

114.7_简单的卷积网络示例

08:32

115.8_池化层.

10:26

116.9_cnn 示例.

12:38

117.10_为什么是卷积

09:41

118.11_yann lecun 采访.

27:49

119.12_为什么要看案例研究

02:58

120.13_经典的网络

18:19

121.14_resnets.

07:08

122.15_为什么 resnet 有效

09:13

123.16_网络中网络和 1x1 卷积

06:16

124.17_inception 网络动机

10:15

125.18_inception 网络

08:47

126.19_mobilenet

16:19

127.20_mobilenet 架构

08:33

P128_21_efficientnet.

03:40

P129_22_使用开源实现.zh_en

04:57

P130_23_迁移学习.zh_en

08:48

P131_24_数据扩充.zh_en

09:32

P132_25_计算机视觉现状.zh_en

12:39

P133_26_目标定位.zh_en

11:55

P134_27_地标检测.zh_en

05:57

P135_28_物体检测.zh_en

05:49

P136_29_滑动窗口的卷积实现.zh_en

11:09

P137_30_边界框预测.zh_en

14:32

P138_31_交集除以并集.zh_en

04:19

P139_32_非最大值抑制.zh_en

08:03

P140_33_锚框.zh_en

09:43

P141_34_yolo 算法.zh_en

06:47

P142_35_区域建议(可选).zh_en

06:15

P143_36_使用 u 网的语义分割.zh_en

07:22

P144_37_转置卷积.zh_en

07:40

P145_38_u 网架构直觉.zh_en

03:22

P146_39_u 网架构.zh_en

07:42

P147_40_什么是面部识别.zh_en

04:38

P148_41_一次性学习.zh_en

04:45

P149_42_siamese 网络.zh_en

04:36

P150_43_triple 损失.zh_en

15:01

P151_44_面部验证和二进制分类.zh_en

06:06

P152_45_什么是神经风格迁移.zh_en

02:03

P153_46_深度卷积网络学习什么.zh_en

07:58

P154_47_代价函数.zh_en

04:00

P155_48_内容代价函数.zh_en

03:38

P156_49_样式代价函数.zh_en

13:18

P157_50_1d 和 3d 的概括.zh_en

09:09

P158_0_为什么要序列模型.zh_en

03:01

P159_1_符号表示法.zh_en

08:56

P160_2_循环神经网络模型.zh_en

16:32

P161_3_通过时间的反向传播.zh_en

06:12

P162_4_不同类型的 rnn.zh_en

09:34

P163_5_语言模型和序列生成.zh_en

12:02

P164_6_采样新序列.zh_en

08:39

P165_7_rnn 中的梯度消失.zh_en

06:28

P166_8_门控循环单元.zh_en

16:59

P167_9_长短期记忆.zh_en

09:54

P168_10_双向 rnn.zh_en

08:18

P169_11_深度 rnn.zh_en

05:17

P170_12_词的表示.zh_en

10:08

P171_13_使用词嵌入.zh_en

09:23

P172_14_词嵌入的属性.zh_en

11:23

P173_15_嵌入矩阵.zh_en

03:45

P174_16_学习词嵌入.zh_en

10:02

P175_17_word2vec.zh_en

12:34

P176_18_负采样.zh_en

11:54

P177_19_glove 词向量.zh_en

11:09

P178_20_情感分类.zh_en

07:38

P179_21_消除词嵌入中的偏见.zh_en

11:09

P180_22_基本模型.zh_en

06:12

P181_23_挑选最可能的句子.zh_en

08:57

P182_24_beam 搜索.zh_en

11:55

P183_25_beam 搜索的改进.zh_en

10:28

P184_26_beam 搜索中的错误分析.zh_en

09:42

P185_27_bleu 分数(可选).zh_en

15:50

P186_28_注意力模型直觉.zh_en

09:42

P187_29_注意力模型.zh_en

12:23

P188_30_语音识别.zh_en

08:54

P189_31_触发词检测.zh_en

04:32

P190_32_转换器网络直觉.zh_en

05:30

P191_33_自注意力.zh_en

11:44

P192_34_多头注意力.zh_en

08:19

P193_35_transformer 网络.zh_en

14:06

P194_36_总结和致谢.zh_en

02:45

顶部