深度学习课程笔记(十三)深度强化学习 --- 策略梯度方法(Policy Gradient Methods)
深度学习课程笔记(十三)深度强化学习 --- 策略梯度方法(Policy Gradient Methods) 2018-07-17 16:50:12 Reference: https://www.youtube.com/watch?v=z95ZYgPgXOY&t=512s ...
Deeplearning.ai课程笔记-神经网络和深度学习
神经网络和深度学习这一块内容与机器学习课程里Week4+5内容差不多。这篇笔记记录了Week4+5中没有的内容。参考笔记:深度学习笔记神经网络和深度学习结构化数据:如数据库里的数据非结构化数据:hard to understand:如图像、文本一. 深度学习的优势算法、硬件计算能力的提高使神经网络运...
神经网络六:深度学习斯坦福cs231n 课程笔记
先特此声明,本文为转载博客,原博客详见深度学习斯坦福cs231n 课程笔记。 前言 对于深度学习,新手我推荐先看UFLDL,不做assignment的话,一两个晚上就可以看完。毕竟卷积、池化啥的并不是什么特别玄的东西。课程简明扼要,一针见血,把最基础、最重要的点都点出来 了。 cs231n这...
斯坦福CS20SI:基于Tensorflow的深度学习研究课程笔记,Lecture note3:TensorFlow上的线性回归和逻辑回归
课程笔记3:TensorFlow上的线性回归和逻辑回归“CS 20SI: TensorFlow 深度学习研究”(cs20si.stanford.edu) 由Chip Huyen (huyenn@stanford.edu)编译 Danijar Hafner 审核在前两个讲座中,我们已经学到了很多。这两...
Coursera吴恩达《神经网络与深度学习》课程笔记(5)-- 深层神经网络
上节课我们主要介绍了浅层神经网络。首先介绍神经网络的基本结构,包括输入层,隐藏层和输出层。然后以简单的2 layer NN为例,详细推导了其正向传播过程和反向传播过程,使用梯度下降的方法优化神经网络参数。同时,我们还介绍了不同的激活函数,比较各自优缺点,讨论了激活函数必须是非线性的原因。最后介绍了...
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Deep Learning Introduction
文章目录 一、深度学习的概念二、函数的类型三、深度学习的步骤3.1 定义一个参数未知的函数表达式3.2 定义一个损失函数3.3 采用梯度下降法求解使得函数表达式的Loss最小的参数四、视频播放量预测案例4.1 案例介绍和思路分析4.2 线性函数表达式14.3 改进1:使用前一段时间的播放量来预测明...
吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-3)-- 浅层神经网络
作者: 大树先生 博客: http://blog.csdn.net/koala_tree GitHub:https://github.com/KoalaTree 2017 年 09 月 22 日 以下为在Coursera上吴恩达老师的DeepLearning.ai课程项目中,第一部分...
吴恩达《深度学习》-第五门课 序列模型(Sequence Models)-第二周 自然语言处理与词嵌入(Natural Language Processing and Word Embeddings)-课程笔记
第二周 自然语言处理与词嵌入(Natural Language Processing and Word Embeddings)2.1 词汇表征(Word Representation)词汇表示,目前为止一直都是用词汇表来表示词,上周提到的词汇表,可能是 10000 个单词,我们一直用 one-hot...
吴恩达《深度学习》-第三门课 结构化机器学习项目(Structuring Machine Learning Projects)-第一周 机器学习(ML)策略(1)(ML strategy(1))-课程笔记
第一周 机器学习(ML)策略(1)(ML strategy(1))1.1 为什么是 ML 策略?(Why ML Strategy?)希望在这门课程中,可以教给一些策略,一些分析机器学习问题的方法,可以指引朝着最有希望的方向前进。这门课中,我会分享我在搭建和部署大量深度学习产品时学到的经验和教训。比如...
吴恩达《深度学习》-第二门课 (Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization)-第一周:深度学习的实践层面 (Practical aspects of Deep Learning) -课程笔记
第一周:深度学习的实践层面 (Practical aspects of Deep Learning)1.1 训练,验证,测试集(Train / Dev / Test sets)创建新应用的过程中,不可能从一开始就准确预测出一些信息和其他超级参数,例如:神经网络分多少层;每层含有多少个隐藏单元;学习速...
深度学习课程笔记(十六)Recursive Neural Network
深度学习课程笔记(十六)Recursive Neural Network 2018-08-07 22:47:14This video tutorial is adopted from: Youtube=====>> 问题是:language 到底是否是 recursive 的呢?===...
吴恩达deeplearning.ai课程《神经网络和深度学习》____学习笔记(第二周 1~6)
____tz_zs学习笔记 第二周 神经网络基础 2.1 二分分类 在二元分类问题中,目标是训练出一个分类器,它以图片的特征向量 x 作为输入,预测输出的结果标签 y 是 1 还是 0,也就是预测图片中是否有猫。 · 2.2 logistic 回归 给定图像的特征向量x,算法将评估图片中存在猫...
吴恩达deeplearning.ai课程《神经网络和深度学习》____学习笔记(第二周 7~14)
____tz_zs学习笔记 第二周 神经网络基础 2.7 计算图 使用流程图从左到右来计算成本函数J 2.8 计算图的导数计算 反向从右到左计算导数 · 2.9 logistic 回归中的梯度下降法 计算偏导数 2.10 m 个样本的梯度下降 ...
吴恩达Coursera深度学习课程 deeplearning.ai (1-4) 深层神经网络--课程笔记
相关课件:https://download.csdn.net/download/haoyutiangang/10369632 深层神经网络 深层神经网络就是有更多个隐藏层的神经网络 矩阵的维度 矩阵维度和矩阵导数的维度一致 X^{[l]}: (n^{[l]}, m)W^{[...
吴恩达 DeepLearning.ai课程笔记(1-3)神经网络和深度学习 --- 浅层神经网络
以下为在Coursera上吴恩达老师的DeepLearning.ai课程项目中,第一部分《神经网络和深度学习》第二周课程部分关键点的笔记。笔记并不包含全部小视频课程的记录,如需学习笔记中舍弃的内容请至 Coursera 或者 网易云课堂。同时在阅读以下笔记之前,强烈建议先学习吴恩达老师的视频课程。 ...
吴恩达deeplearning.ai课程《神经网络和深度学习》____学习笔记(第二周 1~6)
____tz_zs学习笔记 第二周 神经网络基础 2.1 二分分类 在二元分类问题中,目标是训练出一个分类器,它以图片的特征向量 x 作为输入,预测输出的结果标签 y 是 1 还是 0,也就是预测图片中是否有猫。 · 2.2 logistic 回归 给定图像的特征向量x,算法将评估图片中存在猫...
吴恩达《深度学习》-第一门课 (Neural Networks and Deep Learning)-第三周:浅层神经网络(Shallow neural networks) -课程笔记
第三周:浅层神经网络(Shallow neural networks)3.1 神经网络概述(Neural Network Overview)使用符号$ ^{[]}$表示第层网络中 节点相关的数,这些节点的集合被称为第层网络。【1】初始:前向: \[\left.\begin{aligned}\\...
吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(4-1)-- 卷积神经网络基础
作者: 大树先生 博客: http://blog.csdn.net/koala_tree 知乎:https://www.zhihu.com/people/dashuxiansheng GitHub:https://github.com/KoalaTree 2017 年 11 月 6 日 ...
吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(5-1)-- 循环神经网络
作者: 大树先生 博客: http://blog.csdn.net/koala_tree 知乎:https://www.zhihu.com/people/dashuxiansheng GitHub:https://github.com/KoalaTree 2018 年 3 月 3 日 ...
ng-深度学习-课程笔记-5: 深层神经网络(Week4)
1 深度L层神经网络( Deep L-layer Neural network )针对具体问题很难判断需要几层的网络,所以先试试逻辑回归是比较合理的做法,然后再试试单隐层,把隐层数量当作一个超参数,在验证集上进行评估。对于深层神经网络,只是在单隐层的基础上拓展多几层,符号约定也类似。(深层没有官方的...