写在前面-吴恩达 Deep Learning Specialization 学习笔记

深度学习、机器学习和人工智能已经成为这个时代人尽皆知的词语，作为一个好奇心非常强的人，我不愿意自己总是被动的接受新闻对于这些技术的解读，所以决定自己深入的学习一下。

作为准备，我从去年开始断断续续接触编程，期间也走了很多的弯路。在编程学习的过程中，我不断的发现计算机科学家们是多么的聪明和慷慨：他们不断的思考如何改进已有的解决方案，频繁的、定量化的利用数学这个工具来优化计算；他们将复杂的问题拆解为一系列的小问题，逐级击破，并不断的重构优化；他们将自己认为最好的解决方案开源出来，使得他人可以在自己的基础上更加高效的工作，而不是“重复造轮子”......这些都是编程教给我的技术以外的东西，也让我对这个领域有了更多的兴趣，于是也就有了这个系列的笔记。

尽管我从来不相信速成，但也相信好的学习材料和不断改善的学习方法可以使得学习变得更加高效。而很多的知识之所以难以掌握，更多的是由于没有找到合适的方法和材料。感谢 Andrew Ng 和丁老板的网易云课堂，使得深度学习入门有了极好的材料。除了视频内容本身的质量外，对于在线学习来说最大的问题或许还在于视频的长度和信息量使得学习者在后续复习或遇到问题时很难快速找到相应知识点的位置，这一点在 Andrew 的这系列视频里得到了完美的解决：每一个知识点都被分离成小而短的视频片段，并且通过标题告诉你相应的视频片段的主要内容是哪些，这样定位起来就非常的容易。我个人非常享受这个课程的学习的另一个重要的原因是深度学习算法的构建过程让过去学过的很多数学知识真正的得到了应用，而不再是一道道故意为难你而设计的题目。

由于我也是初学者，对于领域内的东西理解还比较粗浅，很多词汇也都是按照自己理解翻译的，所以肯定有很多与专业术语不一致的地方，后续也会随着学习逐渐修改。如果有人在我改进前发现了，也可以留言告诉我。为了更清楚的说明问题，我也需要不时的使用课堂中 PPT 的截图，希望读者时刻记住这个系列笔记的知识的真正来源是 Andrew 老师慷慨奉献的课程，而非来源于我个人，并且强烈推荐大家把视频坚持认真看完，并且订阅 Coursera 上的课程以完成编程练习。

对于代码实现部分，由于目前并没有时间完成，因此准备后续再重新看一遍视频并完成练习。不过由于 Andrew 在授权开放课程的同时并没有授权开放练习，所以出于对知识的尊重，后续即便完成练习后也不会公开这些代码。尽管这个笔记最初的内容全部源自于 Andrew 的课程，但作为基础的框架，我在学习的过程中不断添加了很多其他课程中学习到的实现方法和代码，为了保护作者的版权，我也会尽量注明出处。至于这个笔记，如果有人喜欢的话，转载无需事先联系，注明出处即可，也算是我对 Andrew 和那些无私的开源贡献者的一个致敬吧！

Slow and Steady.