没有合适的资源?快使用搜索试试~ 我知道了~
首页吴恩达深度学习课程V5.42中文笔记:掌握热门AI技能
深度学习笔记(V5.42)是由黄海广主编,针对吴恩达教授在Coursera平台上开设的深度学习课程——DeepLearning.ai所制作的。该课程专为具备基础编程知识(如Python),且对机器学习有一定了解的专业人士设计,旨在让他们掌握这个科技行业中炙手可热的技术——深度学习。 课程共包含5堂课,深入介绍了深度学习的基础理论,包括常见的神经网络结构,如卷积神经网络(CNN),递归神经网络(RNN)和长短时记忆网络(LSTM)。吴恩达本人以及来自斯坦福大学计算机系的助教提供了指导,确保学生能够理解和应用这些复杂的技术。课程通过实践项目,让学生在医疗、自动驾驶、自然语言处理等前沿领域以及音乐生成等创新应用中实战演练,提升实际解决问题的能力。 课程使用Python语言和TensorFlow框架,强调动手操作和理论结合,使学生能在3到4个月的时间里系统地学习。课程结束后,参与者将获得DeepLearning Specialization的结业证书,这将有助于他们在人工智能领域开启职业生涯。由于Coursera提供的字幕不完整,黄海广博士和曹骁威同学组织了一支爱好者团队,进行了中英字幕的翻译和整理,以方便学员在学习过程中获取更好的支持。 这份笔记不仅是对课程内容的精要总结,还是一个宝贵的资源库,对于希望深入理解深度学习并将其应用于实践的学员来说,它提供了一个系统化且具有实践导向的学习路径。通过阅读和跟随这些笔记,学习者不仅能提升专业技能,还能紧跟行业发展趋势,为未来的职业发展奠定坚实基础。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/13981138/bg10.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-第一周:深度学习引言(Introduction to
Deep Learning)
5
你现在不用担心不理解 ReLU 函数,你将会在这门课的后面再次看到它。
如果这是一个单神经元网络,不管规模大小,它正是通过把这些单个神经元叠加在一起
来形成。如果你把这些神经元想象成单独的乐高积木,你就通过搭积木来完成一个更大的神
经网络。
让我们来看一个例子,我们不仅仅用房屋的面积来预测它的价格,现在你有了一些有关
房屋的其它特征,比如卧室的数量,或许有一个很重要的因素,一家人的数量也会影响房屋
价格,这个房屋能住下一家人或者是四五个人的家庭吗?而这确实是基于房屋大小,以及真
正决定一栋房子是否能适合你们家庭人数的卧室数。
换个话题,你可能知道邮政编码或许能作为一个特征,告诉你步行化程度。比如这附近
是不是高度步行化,你是否能步行去杂货店或者是学校,以及你是否需要驾驶汽车。有些人
喜欢居住在以步行为主的区域,另外根据邮政编码还和富裕程度相关(在美国是这样的)。
但在其它国家也可能体现出附近学校的水平有多好。
在图上每一个画的小圆圈都可以是 ReLU 的一部分,也就是指修正线性单元,或者其它
稍微非线性的函数。基于房屋面积和卧室数量,可以估算家庭人口,基于邮编,可以估测步
行化程度或者学校的质量。最后你可能会这样想,这些决定人们乐意花费多少钱。
对于一个房子来说,这些都是与它息息相关的事情。在这个情景里,家庭人口、步行化
![](https://csdnimg.cn/release/download_crawler_static/13981138/bg11.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-第一周:深度学习引言(Introduction to
Deep Learning)
6
程度以及学校的质量都能帮助你预测房屋的价格。以此为例,𝑥 是所有的这四个输入,𝑦 是
你尝试预测的价格,把这些单个的神经元叠加在一起,我们就有了一个稍微大一点的神经网
络。这显示了神经网络的神奇之处,虽然我已经描述了一个神经网络,它可以需要你得到房
屋面积、步行化程度和学校的质量,或者其它影响价格的因素。
神经网络的一部分神奇之处在于,当你实现它之后,你要做的只是输入𝑥,就能得到输出𝑦。
因为它可以自己计算你训练集中样本的数目以及所有的中间过程。所以,你实际上要做的就
是:这里有四个输入的神经网络,这输入的特征可能是房屋的大小、卧室的数量、邮政编码
和区域的富裕程度。给出这些输入的特征之后,神经网络的工作就是预测对应的价格。同时
也注意到这些被叫做隐藏单元圆圈,在一个神经网络中,它们每个都从输入的四个特征获得
自身输入,比如说,第一个结点代表家庭人口,而家庭人口仅仅取决于𝑥
1
和𝑥
2
特征,换句话
说,在神经网络中,你决定在这个结点中想要得到什么,然后用所有的四个输入来计算想要
得到的。因此,我们说输入层和中间层被紧密的连接起来了。
值得注意的是神经网络给予了足够多的关于𝑥和𝑦的数据,给予了足够的训练样本有关𝑥
和𝑦。神经网络非常擅长计算从𝑥到𝑦的精准映射函数。
这就是一个基础的神经网络。你可能发现你自己的神经网络在监督学习的环境下是如此
的有效和强大,也就是说你只要尝试输入一个𝑥,即可把它映射成𝑦,就好像我们在刚才房价
预测的例子中看到的效果。
在下一个视频中,让我们复习一下更多监督学习的例子,有些例子会让你觉得你的网络
会十分有用,并且你实际应用起来也是如此。
![](https://csdnimg.cn/release/download_crawler_static/13981138/bg12.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-第一周:深度学习引言(Introduction to
Deep Learning)
7
![](https://csdnimg.cn/release/download_crawler_static/13981138/bg13.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-第一周:深度学习引言(Introduction to
Deep Learning)
8
1.3 神经网络的监督学习(Supervised Learning with Neural
Networks)
关于神经网络也有很多的种类,考虑到它们的使用效果,有些使用起来恰到好处,但事
实表明,到目前几乎所有由神经网络创造的经济价值,本质上都离不开一种叫做监督学习的
机器学习类别,让我们举例看看。
在监督学习中你有一些输入𝑥,你想学习到一个函数来映射到一些输出𝑦,比如我们之前
提到的房价预测的例子,你只要输入有关房屋的一些特征,试着去输出或者估计价格𝑦。我
们举一些其它的例子,来说明神经网络已经被高效应用到其它地方。
如今应用深度学习获利最多的一个领域,就是在线广告。这也许不是最鼓舞人心的,但
真的很赚钱。具体就是通过在网站上输入一个广告的相关信息,因为也输入了用户的信息,
于是网站就会考虑是否向你展示广告。
神经网络已经非常擅长预测你是否会点开这个广告,通过向用户展示最有可能点开的广
告,这就是神经网络在很多家公司难以置信地提高获利的一种应用。因为有了这种向你展示
你最有可能点击的广告的能力,而这一点击的行为的改变会直接影响到一些大型的在线广告
公司的收入。
计算机视觉在过去的几年里也取得了长足的进步,这也多亏了深度学习。你可以输入一
个图像,然后想输出一个索引,范围从 1 到 1000 来试着告诉你这张照片,它可能是,比方
说,1000 个不同的图像中的任何一个,所以你可能会选择用它来给照片打标签。
深度学习最近在语音识别方面的进步也是非常令人兴奋的,你现在可以将音频片段输入
![](https://csdnimg.cn/release/download_crawler_static/13981138/bg14.jpg)
第一门课 神经网络和深度学习(Neural Networks and Deep Learning)-第一周:深度学习引言(Introduction to
Deep Learning)
9
神经网络,然后让它输出文本记录。得益于深度学习,机器翻译也有很大的发展。你可以利
用神经网络输入英语句子,接着输出一个中文句子。
在自动驾驶技术中,你可以输入一幅图像,就好像一个信息雷达展示汽车前方有什么,
据此,你可以训练一个神经网络,来告诉汽车在马路上面具体的位置,这就是神经网络在自
动驾驶系统中的一个关键成分。
那么深度学习系统已经可以创造如此多的价值,通过智能的选择,哪些作为𝑥哪些作为
𝑦,来针对于你当前的问题,然后拟合监督学习部分,往往是一个更大的系统,比如自动驾
驶。这表明神经网络类型的轻微不同,也可以产生不同的应用,比如说,应用到我们在上一
个视频提到的房地产领域,我们不就使用了一个普遍标准神经网络架构吗?
也许对于房地产和在线广告来说可能是相对的标准一些的神经网络,正如我们之前见到
的。对于图像应用,我们经常在神经网络上使用卷积(Convolutional Neural Network),通
常缩写为 CNN。对于序列数据,例如音频,有一个时间组件,随着时间的推移,音频被播放
出来,所以音频是最自然的表现。作为一维时间序列(两种英文说法 one-dimensional time
series / temporal sequence).对于序列数据,经常使用 RNN,一种递归神经网络(Recurrent
Neural Network),语言,英语和汉语字母表或单词都是逐个出现的,所以语言也是最自然
的序列数据,因此更复杂的 RNNs 版本经常用于这些应用。
对于更复杂的应用比如自动驾驶,你有一张图片,可能会显示更多的 CNN 卷积神经网
络结构,其中的雷达信息是完全不同的,你可能会有一个更定制的,或者一些更复杂的混合
的神经网络结构。所以为了更具体地说明什么是标准的 CNN 和 RNN 结构,在文献中你可能
见过左图这样的图片,这是一个标准的神经网络。而右图是一个卷积神经网络的例子。
我们会在后面的课程了解这幅图的原理和实现,卷积网络(CNN)通常用于图像数据。
你可能也会看到这样的图片,而且你将在以后的课程中学习如何实现它。
剩余742页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
憨憨coding
- 粉丝: 5070
- 资源: 1
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 新型矿用本安直流稳压电源设计:双重保护电路
- 煤矿掘进工作面安全因素研究:结构方程模型
- 利用同位素位移探测原子内部新型力
- 钻锚机钻臂动力学仿真分析与优化
- 钻孔成像技术在巷道松动圈检测与支护设计中的应用
- 极化与非极化ep碰撞中J/ψ的Sivers与cos2φ效应:理论分析与COMPASS验证
- 新疆矿区1200m深孔钻探关键技术与实践
- 建筑行业事故预防:综合动态事故致因理论的应用
- 北斗卫星监测系统在电网塔形实时监控中的应用
- 煤层气羽状水平井数值模拟:交替隐式算法的应用
- 开放字符串T对偶与双空间坐标变换
- 煤矿瓦斯抽采半径测定新方法——瓦斯储量法
- 大倾角大采高工作面设备稳定与安全控制关键技术
- 超标违规背景下的热波动影响分析
- 中国煤矿选煤设计进展与挑战:历史、现状与未来发展
- 反演技术与RBF神经网络在移动机器人控制中的应用
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)