Deeplearning.ai学习计划

背景音乐：Romeo's Tune - Pajaro Sunrise

由于此前已经学完了一部分内容，这段时间也会把剩下的内容补上。

同时，会简单地做个笔记，方便以后能更快地回忆起其中的关键知识点。

当完成某部分笔记的时候，会在下面的文字部分添加超链接跳转到笔记部分。

希望能在年底之前完成这部分的学习和整理工作。

---

Deeplearning.ai的课程分为以下5个部分（照搬Coursera上的）。

大家完全可以按照这个计划，一步步由浅入深地学习。

1、神经网络和深度学习

这一部分是学习深度学习的基础。

第一周：深入学习的介绍

第二周：神经网络基础

第三周：浅神经网络

第四周：深度神经网络

完成本课程后，将：

- 了解驱动深度学习的主要技术趋势 - 能够建立，训练和应用完全连接的深度神经网络。

- 知道如何实现高效（矢量化）的神经网络。

- 了解关键参数神经网络的体系结构。

2、改善深层神经网络：超参数调整，正则化和优化

这一部分是教你理解什么是驱动性能，并能够更系统地获得好的结果，也将学习TensorFlow。

第一周：深度学习的实践方面

第二周：优化算法（笔记 ）

第三周：超参数调整，批量规范化和编程框架

完成本课程后，将：

- 了解构建深度学习应用程序的行业最佳实践。

- 能够有效地使用常见的神经网络“技巧”，包括初始化，L2和丢失正则化，批量规范化，梯度检查。

- 能够实现和应用各种优化算法，如小批量梯度下降，动量，RMSprop和Adam，并检查它们的收敛性。

- 了解如何设置培训/开发/测试集和分析偏差/方差的深度学习时代的新的最佳实践。

- 能够在TensorFlow中实现神经网络。。

3、结构化机器学习项目

这一部分是教你如何构建一个成功的机器学习项目。

需要注意的是，学习这一部分需要有基本的机器学习知识（同样可以在Coursera上习得）

完成本课程后，将：

- 了解如何诊断机器学习系统中的错误

- 能够优先考虑减少错误的最有希望的方向

- 理解复杂的ML设置，例如不匹配的训练/测试集，并比较和/或超越人类的表现

- 知道如何应用端到端的学习，转移学习和多任务学习。

4、卷积神经网络

这一部分是教你如何构建卷积神经网络并将其应用于图像数据。

第一周：卷积神经网络的基础

第二周：深度卷积模型：案例研究

第三周：对象检测

第四周：特殊应用：脸部识别和神经风格转移

 完成本课程后，将：

- 了解如何构建卷积神经网络，包括最近的变化，如残留网络。

- 知道如何将卷积网络应用于视觉检测和识别任务。

- 知道使用神经风格转移来生成艺术。

- 能够将这些算法应用于各种图像，视频和其他2D或3D数据。

5、序列模型

将于2017年11月下旬开始，到时候补充。