目录
《卷积神经网络》 | 笔记列表 |
---|---|
Week 1 | 卷积神经网络 |
Week 1 传送门 —> | 1.1 计算机视觉 1.2 边缘检测示例 1.3 更多边缘检测内容 1.4 Padding 1.5 卷积步长 1.6 三维卷积 1.7 单层卷积网络 1.8 简单卷积网络示例 1.9 池化层 1.10 卷积神经网络示例 1.11 为什么使用卷积? 1.12 总结 |
Week 2 | 深度卷积网络:实例探究 |
Week 2 传送门 —> | 2.1 为什么要进行实例探究? 2.2 经典网络 2.3 残差网络 2.4 残差网络为什么有用? 2.5 网络中的网络以及1x1卷积 2.6 谷歌 Inception 网络简介 2.7 Inception 网络 2.8 使用开源的实现方案 2.9 迁移学习 2.10 数据扩充 2.11 计算机视觉现状 |
Week 3 | 目标检测 |
Week 3 传送门 —> | 3.1 目标定位 3.2 特征点检测 3.3 目标检测 3.4 卷积的滑动窗口实现 3.5 Bounding Box 预测 3.6 交并比 3.7 非极大值抑制 3.8 Anchor Boxes 3.9 YOLO 算法 3.10 候选区域 |
Week 4 | 特殊应用:人脸识别和神经风格转换 |
Week 4 传送门 —> | 4.1 什么是人脸识别? 4.2 One-Shot 学习 4.3 Siamese 网络 4.4 Triplet 损失 4.5 面部验证与二分类 4.6 什么是神经风格转换? 4.7 什么是深度卷积网络? 4.8 代价函数 4.9 内容代价函数 4.10 风格代价函数 4.11 一维到三维推广 |
第三课
《结构化机器学习项目》 | 笔记列表 |
---|---|
Week 1 | 机器学习策略一 |
Week 1 传送门 —> | 1.1 为什么是ML策略 1.2 正交化 1.3 单一数字评估指标 1.4 满足和优化指标 1.5 训练/开发/测试集划分 1.6 开发集合测试集的大小 1.7 什么时候该改变开发_测试集和指标 1.8 为什么是人的表现 1.9 可避免误差 1.10 理解人的表现 1.11 超越人的表现 1.12 改善你的模型的表现 [1.13 总结] |
Week 2 | 机器学习策略二 |
Week 2 传送门 —> | 2.1 误差分析 2.2 清除标注错误的数据 2.3 快速搭建你的第一个系统,并进行迭代 2.4 在不同的划分上进行训练并测试 2.5 不匹配数据划分的偏差和误差 2.6 定位数据不匹配 2.7 迁移学习 2.8 多任务学习 2.9 什么是端到端的深度学习 2.10 是否要使用端到端的深度学习 2.11 总结 |
采访 | 大牛采访 |
传送门 —> | Andrej Karpathy Ruslan Salakhutdinov |