视频地址:
课件资料：
https://github.com/fengdu78/deeplearning_ai_books
第一周 深度学习概论
深度学习最近兴起的原因
深度学习与传统机器学习模型的优劣
促使深度学习发展的三要素：数据规模；计算能力；算法改进
结构化数据与非结构化数据
第二周 神经网络基础
逻辑回归的代价函数
logistic回归的概念，公式表示
logistic回归可用于二分类
课程中用到的关于训练集，测试集的一些符号表示
logistic回归的“损失函数”与“代价函数”的概念，以及理论上的损失函数，以及实际中logistic回归所使用的损失函数
实际中使用的LR的损失函数的使用原因：因为它是“凸函数”
对LR的实际损失函数，使用梯度下降的公式原理
导数计算流程图核心：从左到右计算成本函数J；然后反向从右到左计算各节点输出值对上一节点输出值的导数
逻辑回归在针对单个样本时的反向梯度计算；核心计算dw1，dw2，db
向量化：减少显示的for循环，提高向量的预算速度
| np.dot()；np.exp(v)；np.log(v)；v**2；1/v 通过numpy的内置函数，来避免使用for循环 |
应用向量化于LR
LR的向量化：
import math
def sigmoid(x):
return 1.0/(1+math.e**(-x))
Z = np.dot(w.T,X) + b
A = sigmoid(Z)
或者：
import numpy as np
def sigmoid(x):
return 1.0/(1+np.exp(-x))