Deeplearning.ai

吴恩达Deeplearning.ai之1-3:浅层神经网络

这篇笔记主要是关于浅层神经网络的，包含以下内容：目录1.神经网络的表示(NeuralNetworkRepresetation):2.计算神经网络的输出(ComputingaNeuralNetwork'sOutput):3.多样本的向量化(Vectorizingacrossmultipleexample):4.向量化实现的解释(Explanationforvectorizedimplementati
Tonywu2018·2019-10-11 15:48

吴恩达Deeplearning.ai之1-2:神经网络基础

这段时间看了吴恩达老师的deeplearning.ai课程，为了以后回顾相关知识点，特此做了课程的笔记。笔记按照吴恩达老师的教学视频的章节进行记录。
Tonywu2018·2019-10-09 22:56

github标星8331+：吴恩达深度学习课程资源（完整笔记、中英文字幕视频、python作业，提供百度云镜像！）...

吴恩达老师的深度学习课程（deeplearning.ai），可以说是深度学习入门的最热门课程，我和志愿者编写了这门课的笔记，并在github开源，star数达到8331+，曾经有相关报道文章。
spearhead_cai·2019-10-05 08:00

【deeplearning.ai】RNN & LSTM

RNN&LSTM1摘要从上次以来，确定方向，听讲座……发生了太多事，断断续续才看完了，老师说的还是没有错，脱离项目是不行的，学了忘没什么意义。本文主要就是RNN和LSTM，形式很复杂，但思想很简单。RNNLSTMGRU2原理2.1Intuition我们考虑一件事，如何描述、量化一句话中每个词之间的关系？我们来看CNN怎么做，CNN通过卷积来压缩每个特征（从象数点到高级特征）。但是句子、序列怎么办？
KDLin·2019-09-01 16:46

【deeplearning.ai】RNN & LSTM

RNN&LSTM1摘要从上次以来，确定方向，听讲座……发生了太多事，断断续续才看完了，老师说的还是没有错，脱离项目是不行的，学了忘没什么意义。本文主要就是RNN和LSTM，形式很复杂，但思想很简单。RNNLSTMGRU2原理2.1Intuition我们考虑一件事，如何描述、量化一句话中每个词之间的关系？我们来看CNN怎么做，CNN通过卷积来压缩每个特征（从象数点到高级特征）。但是句子、序列怎么办？
KDLin·2019-09-01 16:46

【deeplearning.ai】week12 用于目标检测的YOLO和R-CNN

用于目标检测的YOLO和R-CNN1摘要本文讲cnn应用于目标检测，主要是两种网络，YOLO和R-CNN。重点在于YOLO，通过YOLO进一步理解卷积操作的神奇和强大。另外就是cnn在目标检测的应用的一系列很有意义的方法，比如，如何预测绑定框、多目标重叠如何处理、如何合并多个选框，不同选框之间如何量化相关性，其次，目标检测的传统思路。再者，我认为相当重要的是，拿到一个训练好的模型，如何使用？这一点
KDLin·2019-07-31 17:24

【deeplearning.ai】week12 用于目标检测的YOLO和R-CNN

用于目标检测的YOLO和R-CNN1摘要本文讲cnn应用于目标检测，主要是两种网络，YOLO和R-CNN。重点在于YOLO，通过YOLO进一步理解卷积操作的神奇和强大。另外就是cnn在目标检测的应用的一系列很有意义的方法，比如，如何预测绑定框、多目标重叠如何处理、如何合并多个选框，不同选框之间如何量化相关性，其次，目标检测的传统思路。再者，我认为相当重要的是，拿到一个训练好的模型，如何使用？这一点
KDLin·2019-07-31 17:24

Wu deeplearning.ai C2W1 assignment_Gradient+Checking

GradientCheckingWelcometothefinalassignmentforthisweek!Inthisassignmentyouwilllearntoimplementandusegradientchecking.Youarepartofateamworkingtomakemobilepaymentsavailableglobally,andareaskedtobuildade
SunSuJJ·2019-07-30 22:58

【deeplearning.ai】week11 残差神经网络

高级卷积神经网路1摘要本文主要讲讲更加复杂的卷积神经网络，ResNets（残差神经网络）以及Inception（GoogleNets）。复杂的结构都是由一个个块组成的，学习每个块并不复杂。第二个内容是一些实践建议，比如迁移学习、拥抱开源、数据增广、人工设计特征、集成学习对比赛的改进。ResNetsGoogleNets、Inception、1x1convolution迁移学习2ResNets神经网络
KDLin·2019-07-30 20:24

【deeplearning.ai】week11 残差神经网络

高级卷积神经网路1摘要本文主要讲讲更加复杂的卷积神经网络，ResNets（残差神经网络）以及Inception（GoogleNets）。复杂的结构都是由一个个块组成的，学习每个块并不复杂。第二个内容是一些实践建议，比如迁移学习、拥抱开源、数据增广、人工设计特征、集成学习对比赛的改进。ResNetsGoogleNets、Inception、1x1convolution迁移学习2ResNets神经网络
KDLin·2019-07-30 20:24

Wu deeplearning.ai C2W1 assignment_Regularization

RegularizationWelcometothesecondassignmentofthisweek.DeepLearningmodelshavesomuchflexibilityandcapacitythatoverfittingcanbeaseriousproblem,ifthetrainingdatasetisnotbigenough.Sureitdoeswellonthetrainin
SunSuJJ·2019-07-28 18:41

ubuntu之路——day18 用pytorch完成CNN

blog.csdn.net/u013733326/article/details/79827273今天要实现的是识别手势姿势表达的数字我的Git传送门:https://github.com/VVV-LHY/deeplearning.ai
NWNU-LHY·2019-07-28 17:00

Wu deeplearning.ai C2W1 assignment_initialization

InitializationWelcometothefirstassignmentof"ImprovingDeepNeuralNetworks".Trainingyourneuralnetworkrequiresspecifyinganinitialvalueoftheweights.Awellchoseninitializationmethodwillhelplearning.Ifyoucomp
SunSuJJ·2019-07-27 15:59

【deeplearning.ai】week10 卷积神经网络入门

卷积神经网络摘要本篇主要是卷积神经网络，从DNN遇到的问题开始，简单介绍卷积神经网络的基本模型，然后深入分析两个重要过程：卷积和池化，以及分析卷积神经网络的优点，再就是卷积神经网络中卷积和池化的方向传导的理解和推导过程。CNN概述卷积、池化CNN反向传播推导文章目录卷积神经网络摘要DNN深度学习的问题CNN简介CNN原理卷积池化分析CNN反向传播的理解和推导卷积反向传播池化的反向传播小结-关于CN
KDLin·2019-07-27 15:35

ubuntu之路——day16 只用python的numpy在底层检验神经网络的优化算法

首先感谢这位博主整理的AndrewNg的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273开一个我的
NWNU-LHY·2019-07-25 15:00

ubuntu之路——day15.2 只用python的numpy在底层检验正则化对模型的影响

首先感谢这位博主整理的AndrewNg的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273开一个我的
NWNU-LHY·2019-07-24 16:00

ubuntu之路——day15.1 只用python的numpy在底层检验参数初始化对模型的影响

首先感谢这位博主整理的AndrewNg的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273开一个我的
NWNU-LHY·2019-07-24 14:00

ubuntu之路——day14 只用python的numpy在底层实现多层神经网络

首先感谢这位博主整理的AndrewNg的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273开一个我的
NWNU-LHY·2019-07-23 19:00

ubuntu之路——day13 只用python的numpy在较为底层的阶段实现单隐含层神经网络

首先感谢这位博主整理的AndrewNg的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273开一个我的
NWNU-LHY·2019-07-22 17:00

ubuntu之路——day12.1 不用tf和torch 只用python的numpy在较为底层的阶段实现简单神经网络

首先感谢这位博主整理的AndrewNg的deeplearning.ai的相关作业：https://blog.csdn.net/u013733326/article/details/79827273本来想要进
NWNU-LHY·2019-07-20 17:00

deeplearning.ai——字符级语言模型-恐龙岛

数据集包含了所有恐龙的名字，构建一个字符级语言模型来创建新的恐龙名称，算法能够学习不同的名称模式，并随机生成新的名称。完成这项作业能够学到：如何存储文本数据以便使用RNN进行处理如何合成数据，通过在每个时间步采样预测值并将其传递给下一个RNN单元如何构建一个字符级文本生成循环神经网络为什么剪裁梯度很重要1-ProblemStatement1.1-DatasetandPreprocessing运行下
韩明宇·2019-07-15 17:29

deeplearning.ai——构建循环神经网络

目录1-ForwardpropagationforthebasicRecurrentNeuralNetwork1.1-RNNcell1.2-RNNforwardpass2-LongShort-TermMemory(LSTM)network2.1-LSTMcell2.2-ForwardpassforLSTM3-Backpropagationinrecurrentneuralnetworks(OPTI
韩明宇·2019-07-15 14:46

神经网络的基础——Logistic回归中的反向传播算法及其推导

最近在看AndrewNg的DeepLearning.ai上的深度学习课程（网易云课堂上有中文字幕版），把之前学的logistic回归又复习了一遍，不得不佩服AndrewNg，大师就是大师，深入浅出，讲得太好了
chosen1hyj·2019-06-21 20:59

深度学习书籍和视频资源推荐

MXnet《机器学习训练秘籍》(中文版)《统计学习方法》李航（这本我没看过）《深度学习》Iangoodfellow那本《机器学习》周志华（老实说我觉得这本还是对我这个数学渣渣来说有点难）视频：基础理论：deeplearning.ai
HaruStone·2019-06-21 13:35

深度学习机器学习学习路线资料

zhuanlan.zhihu.com/dlgirls深度学习实践教程（偏工程，本书写得很好）：https://download.csdn.net/download/levy_cui/10695820英文教程：deeplearning.ai
UryWu·2019-06-19 12:59

进大厂全靠自学，微软&头条实习生现身说法：我是这样自学深度学习的丨课程传送门...

她自学成才，有Udacity、deeplearning.ai、Coursera的一大堆课程认证，甚至连大学都是上的以自学、MOOC著称的Minerva大学，自学卓有成
量子位·2019-06-13 12:15

deeplearning.ai——TensorFlow指南

1-ExploringtheTensorflowLibrary导入库：importmathimportnumpyasnpimporth5pyimportmatplotlib.pyplotaspltimporttensorflowastffromtensorflow.python.frameworkimportopsfromtf_utilsimportload_dataset,random_mini
韩明宇·2019-06-07 19:38

阅读记录-吴恩达 DeepLearning.ai

吴恩达DeepLearning.ai总结：大牛介绍的特别清晰，连笔记都那么的清晰--已移步至语雀第二节课---改善深层神经网络：超参数调试、正则化以及优化训练、验证、测试集小数据时代，按70%，30%（
一酷到底·2019-06-05 16:35

神经网络初始化

本文是deeplearning.ai的一篇技术博客，文章指出，对初始化值的大小选取不当，可能造成梯度爆炸或梯度消失等问题，并提出了针对性的解决方法。
Leo_whj·2019-05-14 18:28

分享AI有道干货 | 126 篇 AI 原创文章精选（ML、DL、资源、教程）

内容涉及林轩田机器学习课程笔记、吴恩达deeplearning.ai课程笔记、机器学习、深度学习、笔试面试题、资源教程等等。
飞龙·2019-05-12 00:00

分享AI有道干货 | 126 篇 AI 原创文章精选（ML、DL、资源、教程）

内容涉及林轩田机器学习课程笔记、吴恩达deeplearning.ai课程笔记、机器学习、深度学习、笔试面试题、资源教程等等。
风度78·2019-05-11 22:18

《DeepLearning.ai 深度学习笔记》发布，黄海广博士整理

深度学习入门首推课程就是吴恩达的深度学习专项课程系列的5门课。该专项课程最大的特色就是内容全面、通俗易懂并配备了丰富的实战项目。今天，给大家推荐一份关于该专项课程的核心笔记！这份笔记只能用两个字形容：全面！课程概述关于该深度学习专项课程，红色石头非常推荐！它对于理解各种算法背后的原理非常有帮助，同时提供了大量的应用场景，涉及图像、语音、自然语言理解等各方面，还提供了一些工具函数、数据集。这个系列课
飞龙·2019-05-05 00:00

吴恩达深度学习 Deeplearning.ai学习笔记 Course5 Week3 序列模型和注意力机制(Sequence models & Attention mechanism)

Sequencemodels&Attentionmechanism3.1基础模型(BasicModel)3.2选择最可能的句子（Pickingthemostlikelysentence）3.3集束搜索（BeamSearch）3.4改进集束搜索（RefinementstoBeamSearch）LengthNormalizationdiscussion3.5集束搜索的误差分析（Erroranalysi
Raymond_MY·2019-01-25 15:39

吴恩达Coursera深度学习课程 deeplearning.ai 目录

第一部分深度学习概论(1-1)深度学习概论–课程笔记(1-1)深度学习概论–编程作业(1-2)神经网络基础–课程笔记(1-2)神经网络基础–编程作业(1-3)浅层神经网络–课程笔记(1-3)浅层神经网络–编程作业(1-4)深层神经网络–课程笔记(1-4)深层神经网络–编程作业第二部分深度学习及其优化(2-1)深度学习实践–课程笔记(2-1)深度学习实践–编程作业(2-2)优化算法–课程笔记(2-2
haoyutiangang·2019-01-22 19:08

DeepLearning.ai学习笔记（五）序列模型 -- week2 序列模型和注意力机制

一、基础模型假设要翻译下面这句话："简将要在9月访问中国"正确的翻译结果应该是："JaneisvisitingChinainSeptember"在这个例子中输入数据是10个中文汉字，输出为6个英文单词，\(T_x\)和\(T_y\)数量不一致，这就需要用到序列到序列的RNN模型。类似的例子还有看图说话：只需要将encoder部分用一个CNN模型替换就可以了，比如AlexNet，就可以得到“一只（可
marsggbo·2019-01-09 22:00

[AI教程]TensorFlow入门：使用卷积网络模型实现手势识别

介绍本文介绍了搭建简单的卷积网络模型进行手势数字识别数据集：https://github.com/stormstone/deeplearning.ai/tree/c38b8ea7cc7fef5caf88be6e06f4e3452690fde7
山东科技大学遥感与机器智能实验室·2018-11-15 20:55

[AI教程]TensorFlow入门：手势数字识别

数据集下载地址：[https://github.com/stormstone/deeplearning.ai/tree/c38b8ea7cc7fef5caf88be6e06f4e3452690fde7]
山东科技大学遥感与机器智能实验室·2018-11-14 20:24

[AI教程]TensorFlow入门：手势数字识别

数据集下载地址：[https://github.com/stormstone/deeplearning.ai/tree/c38b8ea7cc7fef5caf88be6e06f4e3452690fde7]
山东科技大学遥感与机器智能实验室·2018-11-14 20:24

撒花！吴恩达《Machine Learning Yearning》中文版新鲜出炉！

红色石头的个人网站：redstonewill.com我相信红色石头的很多读者朋友都受惠于吴恩达的deeplearning.ai专项课程。
红色石头Will·2018-11-07 01:57

算法工程师之路——Deeplearning.ai神经网络与深度学习篇Week1

写在前面——一点碎碎念天将降大任于斯人也，必先苦其心志，劳其筋骨，饿其体肤，空乏其身，行拂乱其所为。——《孟子•告子下》尘埃落定，在好好学（wan）习（shua）三年之后，我成功侥幸收获了UESTCMSE的Offer，心里万分激动，想着BrightFuture应该是在向着自己招手了，hhhh。兴奋劲儿已过，回归现实，需要好好做下未来的学习生活规划。其实在未来选择无非两种：继续攻读PhD或是工作。无
Mr_Rum·2018-10-07 15:27

吴恩达深度学习视频

deeplearning_ai#/c2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai
icon_yu·2018-10-06 16:20

吴恩达Deeplearning.ai专项课程笔记（二）-- 浅层神经网络

终于记起账号系列，接上篇。1.神经网络表示输入层：通过输入层输入数据。隐藏层：通过隐藏的中间层对输入数据进行训练，训练过程中中间节点的真正数值无法通过训练集看到。输出层：输出模型的预测值。2.符号约束网络层数：等于隐藏层加输出层数的和，如上图为一个双层神经网络。（注意：不算入输入层）不同层数据：采用a[i]a^{[i]}a[i]表示第i层的计算后数据。对于隐藏层而言，a[i]a^{[i]}a[i]
LoftK·2018-09-27 13:28

吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（上）

转自：http://www.cnblogs.com/szxspark/p/8439066.html1.Padding在卷积操作中，过滤器（又称核）的大小通常为奇数，如3x3，5x5。这样的好处有两点：在特征图（二维卷积）中就会存在一个中心像素点。有一个中心像素点会十分方便，便于指出过滤器的位置。在没有padding的情况下，经过卷积操作，输出的数据维度会减少。以二维卷积为例，输入大小n×nn×n，
SongEsther·2018-09-22 14:50

DeepLearning.ai 学习资源汇总

在线课程资源学习笔记目录课后作业目录以下会更新博主个人学习中遇到的问题记录，供大家参考第一章神经网络与深度学习(NeuralNetwork&Deeplearning)DeepLearning.ai学习笔记
DZzz丶·2018-09-19 10:00

深度学习 Day 15 | 神经网络（1）

深度学习Day15今天同步开始deeplearning.ai上吴恩达老师的深度学习课程做一些小笔记神经网络(neuralnetwork)Whatisneuralnetwork?
raphah·2018-08-25 22:15

吴恩达 深度学习 deeplearning.ai 学习笔记( 4.2) 目标检测

图片检测问题：分类问题：判断图中是否为汽车；目标定位：判断是否为汽车，并确定具体位置；目标检测：检测不同物体并定位。1.目标定位输出：存在的对象(c1行人，0or1;c2汽车，0or1;c3摩托车，0or1)定位框：(bx,by,bh,bw)2.特征点检测判断动作姿态，识别人物表情等输出：特征点坐标(x,y)3.目标检测目标检测采用的是基于滑动窗口的检测算法。训练模型：训练集X：将有汽车的图片进行
midori_27·2018-08-15 12:29

keras实现CNN

本文参考：吴恩达deeplearning.ai课程一、前言Keras是由纯python编写的基于theano/tensorflow的深度学习框架。
Dominic221·2018-08-01 01:15

吴恩达Coursera深度学习课程 deeplearning.ai (5-3) 序列模型和注意力机制--编程作业(二)：触发字检测

Part2:触发字检测关键词语音唤醒触发字检测欢迎来到这个专业课程的最终编程任务！在本周的视频中，你了解了如何将深度学习应用于语音识别。在本作业中，您将构建一个语音数据集并实现触发字检测算法（有时也称为关键字检测或唤醒检测）。触发字检测技术，可以让亚马逊Alexa，GoogleHome，AppleSiri和百度DuerOS等设备在听到某个词语时进行唤醒。本练习中，我们的触发词将是“Activate
haoyutiangang·2018-07-27 09:50

吴恩达Coursera深度学习课程 deeplearning.ai (5-3) 序列模型和注意力机制--编程作业(一)：机器翻译

Part1:机器翻译欢迎来到本周第一个作业。你将建立一个将人类可读日期（“2009年6月25日”）转换为机器可读日期（“2009-06-25”）的神经机器翻译（NMT）模型。你将使用注意力机制来执行此操作，这是模型序列中最尖端的一个序列。导包fromkeras.layersimportBidirectional,Concatenate,Permute,Dot,Input,LSTM,Multiply
haoyutiangang·2018-07-27 09:44

吴恩达Coursera深度学习课程 deeplearning.ai (5-3) 序列模型和注意力机制--课程笔记

3.1基础模型sequencetosequencesequencetosequence：两个序列模型组成，前半部分叫做编码，后半部分叫做解码。用于机器翻译。imagetosequencesequencetosequence：一个卷积神经网络和一个序列模型组成，前半部分叫做编码，后半部分叫做解码。用于图片描述。3.2选择最可能的句子语言模型：根据输入的零向量根据概率预测输出，一个单词一个单词的生成。
haoyutiangang·2018-07-27 09:43
上一页 5 6 7 8 9 10 11 12 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他