本文作为自己在网易云课堂上学习由吴恩达老师讲授的《神经网络和深度学习》的学习笔记,整个专题共包括五门课程:
1.神经网络和深度学习;
2.改善深层神经网络-超参数调试、正则化以及优化;
3.结构化机器学习项目;
4.卷积神经网络;
5.序列模型。
吴恩达老师作为机器学习的布道师,一直致力于以清晰简洁的方式向大众推广机器学习理论;故作为机器学习领域内的入门者,我也选择此课程开启自己的深度学习之旅。
下面就是从我个人角度出发,记录的主要知识点。
第一周:深度学习概述
课程主要内容:
神经网络的概念、深度学习兴起的原因等;
第二周:神经网络基础
课程主要内容:
逻辑回归的神经网络表示?损失函数的定义?梯度下降法?链式法则?
对于逻辑回归的向量化的表示;为什么要向量化?
Python相关:什么是广播?Numpy库的应用等;
第三周:浅层神经网络
课程主要内容:
单隐层神经网络的向量化表示;
各类激活函数介绍,优缺点,适用场景等;
为什么需要非线性的激活函数?
参数的随机初始化的重要性;
第四周:深层神经网络
课程主要内容:
深层神经网络的向量化表示;
深层神经网络维数的确定;
深层神经网络的前向传播和反向传播;
深层神经网络中的参数和超参数;
第一周:深度学习的实用层面
课程主要内容:
训练集、测试集和验证集;
方差和偏差的概念以及应对策略;
正则化方法:L1正则、L2正则、Dropout;
为什么正则化可以减少过拟合?
梯度消失和梯度爆炸;
第二周:优化算法
课程主要内容:
介绍了若干优化算法来提升训练速度;
Mini-Batch梯度下降算法;
指数加权平均以及偏差修正;
RMSprop算法;
Adam算法;
课程主要内容:
众多超级参数调优策略和技巧;
Mini-Batch Norm归一化介绍、实现方法以及背后的原理;
softmax多分类模型的介绍;
第一周:机器学习策略一
课程主要内容:
正交化概念;
单一数字评估指标;
训练、测试集划分;
偏差和方差;
人的表现;
改善模型表现;
第二周:机器学习策略二
课程主要内容:
误差分析;
错误样本清除;
数据分布不匹配问题;
迁移学习;
多任务学习;
端到端的深度学习等;
第一周:卷积神经网络基础
课程主要内容:
计算机视觉都有哪些应用?
边缘检测示例;卷积核;
卷积神经网络示例;
Padding、Strid;
池化等;
第二周:深度卷积网络:实例探究
课程主要内容:
经典的卷积网络介绍
- LeNet-5
- AlexNet
- VGG
- ResNet
- Inception
迁移学习;
开源实现;
数据扩充;
第三周:目标检测
课程主要内容:
目标定位;
目标检测;
卷积的滑动窗口实现;
Bounding Box预测;
交并比;
非极大值抑制;
Anchor Box;
YOLO算法;
第四周:特殊应用:人脸识别和神经风格转换
第五课 序列模型
课程主要内容:
为什么选择序列模型?
循环神经网络模型;
不同类型的循环神经网络;
循环神经网络的梯度消失问题;
GRU
LSTM网络
双向循环神经网络;
深层循环神经网络;
在整理自己的笔记的时候,参考了如下内容,在此一并表示感谢: