吴恩达深度学习课程：深度学习入门笔记全集目录

课程	周数	类别	内容
课程一：神经网络和深度学习	第一周：深度学习简介	理论	（1）深度学习简介
		实践	无
	第二周：神经网络基础	理论	（1）回归基础
			（2）分类与逻辑回归
			（3）梯度下降法
			（4）损失函数与传播
			（5）向量化
			（6）向量化的反向传播
		实践	E & C
	第三周：浅层神经网络	理论	（1）正向传播
			（2）激活函数和反向传播
			（3）初始化
		实践	E & C
	第四周：深度神经网络的关键概念	理论	（1）深度神经网络的关键概念
		实践	E & C
课程二： 改善深层神经网络	第一周：深度学习的实践	理论	（1）偏差与方差
			（2）L2正则化
			（3）dropout正则化
			（4）其他缓解过拟合的方法
			（5）归一化
			（6）梯度现象和梯度检验
		实践	E & C
	第二周：优化算法	理论	（1）Mini-batch 梯度下降
			（2）指数加权平均和学习率衰减
			（3）Momentum梯度下降法
			（4）RMSprop
			（5）Adam 优化算法
		实践	E & C
	第三周：超参数调整，批量标准化和编程框架	理论	（1）超参数调整
			（2）batch归一化
			（3）多值预测与多分类
			（4）编程框架
			（5）框架演示
		实践	E & C
课程三： 结构化机器学习项目	第一周：机器学习策略	理论	（1）正交化调优和评估指标
			（2）数据集设置
			（3）模型性能与“人类性能”
		实践	无
	第二周：误差分析与学习方法	理论	（1）误差分析与快速迭代
			（2）数据不匹配问题
			（3）迁移学习
			（4）多任务学习
			（5）端到端学习
		实践	E & C
课程四：计算机视觉	第一周：卷积基础知识	理论	（1）图像处理基础
			（2）卷积参数
			（3）简单卷积网络
			（4）池化操作与卷积中的反向传播
		实践	E & C
	第二周：经典网络结构	理论	（1）经典卷积网络
			（2）残差网络
			（3）1×1卷积与Inception网络
			（4）CV 方法论
		实践	E & C
	第三周：检测算法	理论	（1）目标定位与特征点检测
			（2）目标检测算法
			（3）交并比、非极大值抑制和锚框
			（4）YOLO 的完整传播过程
		实践	E & C
	第四周：卷积网络应用	理论	（1）人脸识别
			（2）图像风格转换
		实践	E & C
课程五：自然语言处理	第一周：循环神经网络	理论	（1）序列数据与序列模型
			（2）循环神经网络
			（3）语言模型
			（4）RNN 中的梯度现象
			（5）门控循环单元 GRU
			（6）长短期记忆 LSTM
			（7）双向 RNN 与深层 RNN
		实践	E & C
	第二周：词嵌入	理论	（1）词汇表征和类比推理
			（2）词嵌入模型原理
			（3）Word2Vec
			（4）分层 softmax 和负采样
			（5）GloVe 算法
			（6）情绪分类和词嵌入除偏
		实践	E & C
	第三周：序列模型与注意力机制	理论	（1）seq2seq 模型
			（2）束搜索
			（3）注意力机制
			（4）语音识别和触发字检测
		实践	E & C