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