抱歉,您的浏览器无法访问本站

本页面需要浏览器支持(启用)JavaScript


了解详情 >

Seq2Seq and Attention

Attention 和人类的选择性视觉注意力机制类似
Attention 和人类的选择性视觉注意力机制类似

Recurrent Neural Networks

image

Convolutional Neural Networks

Convolutional Neural Networks
Convolutional Neural Networks

Deep Feedforward Networks

image

CNN (week4) - Face recognition & Neural style transfer

Face recognition & Neural style transfer 能够在图像、视频以及其他 2D 或 3D 数据上应用这些算法。

深度学习与计算机视觉 - 历史回顾与介绍

1966年是计算机视觉的诞生年

CVPR、ICCV

Convolutional Neural Networks (week3) - Object detection

知道如何将卷积网络应用到视觉检测和识别任务。 知道如何使用神经风格迁移生成艺术。

Convolutional Neural Networks (week2) - deep CNN

理解如何搭建一个神经网络,包括最新的变体,例如残余网络。

Convolutional Neural Networks (week1) - CNN

  • 理解如何搭建一个神经网络,包括最新的变体,例如残余网络。
  • 知道如何将卷积网络应用到视觉检测和识别任务。
  • 知道如何使用神经风格迁移生成艺术。
  • 能够在图像、视频以及其他2D或3D数据上应用这些算法。

Sequence Models (week3) - Attention mechanism

能够将序列模型应用到自然语言问题、音频应用 等,包括文字合成、语音识别和音乐合成。

Sequence Models (week2) - NLP - Word Embeddings

能够将序列模型应用到自然语言问题中,包括文字合成。

Sequence Models (week1) - Recurrent Neural Networks

这次我们要学习专项课程中第五门课 Sequence Models.

第一周: Recurrent Neural Networks 已被证明在时间数据上表现好,它有几个变体,包括 LSTM、GRU 和双向神经网络.

Structured Machine Learning Projects (week2) - ML Strategy 2

如何进行 误差分析、标注错误数据、定位数据不匹配偏差与方差

知道如何应用端到端学习、迁移学习以及多任务学习

Structured Machine Learning Projects (week1) - ML Strategy 1

这次我们要学习专项课程中第三门课 Structured Machine Learning Projects

学完这门课之后,你将会:

  • 理解如何诊断机器学习系统中的错误
  • 能够优先减小误差最有效的方向
  • 理解复杂ML设定,例如训练/测试集不匹配,比较并/或超过人的表现
  • 知道如何应用端到端学习、迁移学习以及多任务学习

很多团队浪费数月甚至数年来理解这门课所教授的准则,也就是说,这门两周的课可以为你节约数月的时间

Improving DNN (week3) - Hyperparameter、Batch Regularization

Hyperparameter Tuning process、Normalizing Activations in a network

Fitting Batch Norm into a neural network、Why does Batch Norm work?、Batch Norm at test time

Softmax regression、TensorFlow