深度学习

深度学习

助教微信

udacity公众号

Nanodegree key: nd101-cn-advanced
Version: 6.0.0
Locale: zh-cn
学习深度学习的神经网络，卷积神经网络，循环神经网络，生成对抗网络及深度强化学习，为你的下一步职业发展打下坚实基础。

Content

Part 01 : 深度学习简介

了解你将在这门课程中学到什么，探索深度学习网络在不同领域的应用，你还将通过一系列简短的课程，踏出你深度学习的第一步，学习使用深度学习相关工具，如 Anaconda 和 Jupyter notebooks。

Module 01: 欢迎来到深度学习纳米学位
- Lesson 01: 欢迎学习深度学习纳米学位欢迎学习深度学习纳米学位项目！在这节课中，你将认识你的导师，了解深度学习这一领域，并了解如何充分利用优达学城的学习资源。
  - Concept 01: 深度学习技术的广泛应用前景
  - Concept 02: 认识 Mat 和 Cezanne
  - Concept 03: 课程结构
  - Concept 04: 先修要求
  - Concept 05: 准备工作
- Lesson 02: 应用深度学习在这节课，你将开始实践练习，研究几个深度学习示例。如果你不明白具体情形，也没关系！我们只是希望你能尝试一些其他人创建好的模型，并从中得到乐趣。
  - Concept 01: 简介
  - Concept 02: 风格迁移
  - Concept 03: DeepTraffic
  - Concept 04: Flappy Bird
  - Concept 05: 课外图书
Module 02: 矩阵数学和 NumPy 复习
- Lesson 01: 矩阵数学和 NumPy 复习在本课中，你将复习构建神经网络所需了解的矩阵数学。你还将探索 NumPy，使用此库可以高效地处理 Python 中的矩阵。
  - Concept 01: 简介
  - Concept 02: 数据维度
  - Concept 03: NumPy 中的数据
  - Concept 04: 元素级矩阵运算
  - Concept 05: NumPy 中的元素级运算
  - Concept 06: 矩阵乘法：第 1 部分
  - Concept 07: 矩阵乘法：第 2 部分
  - Concept 08: NumPy 矩阵乘法
  - Concept 09: 矩阵转置
  - Concept 10: NumPy 中的转置
  - Concept 11: NumPy 练习
Module 03: Anaconda
- Lesson 01: AnacondaAnaconda 是一个专门用于数据处理的程序包和环境管理器。在这节课中，你学习如何搭建编程环境，为之后的学习做准备，是你入门 Python 的必备利器！
  - Concept 01: 欢迎！
  - Concept 02: Anaconda 是什么？
  - Concept 03: 安装 Anaconda
  - Concept 04: 管理包
  - Concept 05: 管理环境
  - Concept 06: 更多环境操作
  - Concept 07: 最佳做法
  - Concept 08: Python 版本说明
Module 04: Jupyter Notebooks
- Lesson 01: Jupyter Notebooks学习如何使用 Jupyter Notebooks 创建包含代码、文本、图片等的文档。
  - Concept 01: Jupyter notebook 是什么？
  - Concept 02: 安装 Jupyter notebook
  - Concept 03: 启动 notebook 服务器
  - Concept 04: notebook 界面
  - Concept 05: 代码单元格
  - Concept 06: Markdown 单元格
  - Concept 07: 快捷键
  - Concept 08: Magic 关键字
  - Concept 09: 转换 notebook
  - Concept 10: 创建幻灯片
  - Concept 11: 结语
    Part 02 : 神经网络
    神经网络是深度学习的基石。在这部分课程中，你将学习神经网络的基本原理，并在实战项目中用 Python 和 Numpy 从头开始构建一个神经网络。
Module 01: 神经网络简介
- Lesson 01: 神经网络简介在这一课里，Luis 将带给你夯实的深度学习与神经网络的基础知识。你也将在教室里亲手用python实现梯度下降法与反向传播。
  - Concept 01: 讲师
  - Concept 02: 简介
  - Concept 03: 分类问题
  - Concept 04: 分类问题 2
  - Concept 05: 线性界线
  - Concept 06: 更高维度的界线
  - Concept 07: 感知器
  - Concept 08: 为何称为“神经网络”？
  - Concept 09: 用感知器实现简单逻辑运算
  - Concept 10: 感知器技巧 - 计算机如何“学习”分类？
  - Concept 11: 感知器算法
  - Concept 12: 非线性界线
  - Concept 13: 误差函数
  - Concept 14: 误差函数与梯度下降
  - Concept 15: 离散型与连续型 - 为什么使用sigmoid函数
  - Concept 16: 多类别分类与Softmax 函数
  - Concept 17: One-Hot 编码
  - Concept 18: 最大似然率
  - Concept 19: 最大化概率
  - Concept 20: 交叉熵 1-损失函数
  - Concept 21: 交叉熵 2-损失函数
  - Concept 22: 多类别交叉熵
  - Concept 23: Logistic 回归
  - Concept 24: 梯度下降
  - Concept 25: 梯度下降算法推导与实现
  - Concept 26: Notebook 注意事项：梯度下降法
  - Concept 27: [Lab] 梯度下降
  - Concept 28: 感知器和梯度下降
  - Concept 29: 连续型感知器
  - Concept 30: 非线性数据
  - Concept 31: 非线性模型
  - Concept 32: 神经网络结构
  - Concept 33: 前向反馈
  - Concept 34: 反向传播
  - Concept 35: Notebook 注意事项：分析学生数据
  - Concept 36: [Lab] 分析学生数据
  - Concept 37: 小结
Module 02: 实现梯度下降
- Lesson 01: 实现梯度下降Mat 会向你介绍另一个误差函数，并带领你使用 numpy 矩阵乘法实现梯度下降。
  - Concept 01: 平方平均误差函数
  - Concept 02: 梯度下降
  - Concept 03: 梯度下降：数学
  - Concept 04: 梯度下降：代码
  - Concept 05: 实现梯度下降
  - Concept 06: 多层感知器
  - Concept 07: 反向传播
  - Concept 08: 实现一个反向传播
  - Concept 09: 进阶阅读
Module 03: 训练神经网络
- Lesson 01: 训练神经网络现在你已经了解了什么是神经网络。在这一课中你将学会几种方法，以提升神经网络的训练效果。
  - Concept 01: 导师
  - Concept 02: 训练优化
  - Concept 03: Testing
  - Concept 04: 过拟合和欠拟合
  - Concept 05: 早期停止
  - Concept 06: 正则化
  - Concept 07: 正则化 2
  - Concept 08: Dropout
  - Concept 09: 局部最低点
  - Concept 10: 随机重新开始
  - Concept 11: 梯度消失
  - Concept 12: 其他激活函数
  - Concept 13: 批次与随机梯度下降
  - Concept 14: 学习速率衰退
  - Concept 15: 动量
  - Concept 16: 世界各地的误差函数
Module 04: GPU Workspaces 示例
- Lesson 01: GPU Workspaces 示例在 Udacity 的教室里面使用一个 GPU Workspace。
  - Concept 01: GPU Workspace 简介
  - Concept 02: Workspace Playground 说明
  - Concept 03: GPU Workspace Playground
Module 05: 在线 Lab ：情绪预测
- Lesson 01: 在线 Lab ：情绪预测在这节课中，《Grokking Deep Learning》一书的作者 Andrew Trask，将指导你一步步来运用神经网络进行情感分析。具体而言，你将构建一个神经网络，完全根据评论文本内容将影评归类为正面影评或负面影评！
  - Concept 01: 介绍 Andrew Trask
  - Concept 02: 认识 Andrew
  - Concept 03: Notebook
  - Concept 04: 分析问题
  - Concept 05: 迷你项目 1
  - Concept 06: 迷你项目 1 解决方案
  - Concept 07: 将文本转化为数字
  - Concept 08: 迷你项目 2
  - Concept 09: 迷你项目 2 解决方案
  - Concept 10: 构建神经网络
  - Concept 11: 迷你项目 3
  - Concept 12: 迷你项目 3 解决方案
  - Concept 13: 理解神经网络中的噪音
  - Concept 14: 迷你项目 4
  - Concept 15: 理解网络中的低效情况
  - Concept 16: 迷你项目 5
  - Concept 17: 迷你项目 5 解决方案
  - Concept 18: 进一步减少噪音
  - Concept 19: 迷你项目 6
  - Concept 20: 迷你项目 6 解决方案
  - Concept 21: 分析：权重发生了什么？
  - Concept 22: 总结
Module 06: 深度学习工具 PyTorch
- Lesson 01: 深度学习工具 PyTorch学习如何使用 PyTorch 构建深度学习模型
  - Concept 01: 欢迎！
  - Concept 02: Pre-Notebook
  - Concept 03: Notebook Workspace
  - Concept 04: 单层神经网络
  - Concept 05: 单层神经网络解决方案
  - Concept 06: 使用矩阵乘法构建网络
  - Concept 07: 多层网络解决方案
  - Concept 08: 在 PyTorch 中构建神经网络
  - Concept 09: 神经网络解决方案
  - Concept 10: 实现 Softmax 解决方案
  - Concept 11: PyTorch 中的网络架构
  - Concept 12: 网络架构解决方案
  - Concept 13: 训练网络解决方案
  - Concept 14: 分类 Fashion-MNIST
  - Concept 15: Fashion-MNIST 解决方案
  - Concept 16: 推理和验证
  - Concept 17: 验证解决方案
  - Concept 18: 丢弃解决方案
  - Concept 19: 保存和加载模型
  - Concept 20: 加载图像数据
  - Concept 21: 加载图像数据解决方案
  - Concept 22: GPU
  - Concept 23: 启用 GPU 的 Notebook Workspace
  - Concept 24: 迁移学习
  - Concept 25: 迁移学习解决方案
  - Concept 26: 其他注意事项
Module 07: 实战项目：项目：预测共享单车使用情况
- Lesson 01: 项目：预测共享单车使用情况在这个项目中，你将从头开始构建和训练你自己的神经网络，预测特定一天中的共享单车用户数。加油！Project Description - 你的第一个神经网络Project Rubric - 你的第一个神经网络
  - Concept 01: 项目简介
  - Concept 02: Notebook:共享单车使用情况
Module 08: 在线 Lab：Tensorflow 实现
- Lesson 01: TensorFlow在这一部分中我们会手把手教你 Google 的深度学习框架 Tensorflow。你也将有能力将它应用于图像数据集中。
  - Concept 01: 介绍
  - Concept 02: 安装 TensorFlow
  - Concept 03: Hello, Tensor World!
  - Concept 04: 练习：TensorFlow 输入
  - Concept 05: 练习：TensorFlow 数学
  - Concept 06: 练习：TensorFlow 里的线性函数
  - Concept 07: 练习: TensorFlow Softmax
  - Concept 08: 练习: TensorFlow 交叉熵
  - Concept 09: 练习: Mini-batch
  - Concept 10: Epochs（代）
  - Concept 11: TensorFlow 实验准备：NotMNIST
  - Concept 12: TensorFlow 实验：NotMNIST
  - Concept 13: 两层神经网络
  - Concept 14: 练习：TensorFlow ReLUs
  - Concept 15: TensorFlow 中的深度神经网络
  - Concept 16: 保存和读取 TensorFlow 模型
  - Concept 17: 参数微调
  - Concept 18: 练习：TensorFlow Dropout
  - Concept 19: 总结
Module 09: 在线 Lab：Keras 实现
- Lesson 01: Keras在这一部分中我们将手把手教你使用Keras。你将会使用它去分析电影评论。
  - Concept 01: Keras
  - Concept 02: [Keras Lab准备] 录取学生
  - Concept 03: [Keras Lab] 录取学生
  - Concept 04: Keras 中的优化程序
  - Concept 05: 迷你项目简介
  - Concept 06: [Keras Lab 准备] IMDB 数据
  - Concept 07: [Keras Lab] IMDB 数据
    Part 03 : 卷积神经网络
    卷积神经网络是解决视觉问题的标准答案。在无人驾驶车，面部识别，医学影像等领域，都有它的应用。在这部分课程中，你将了解卷积神经网络的基本原理，并在实战项目中用它来解决图片分类问题。
Module 01: 卷积神经网络
- Lesson 01: 卷积神经网络卷积神经网络可以识别空间图案。Alexis 和 Cezanne 将介绍卷积神经网络如何帮助我们显著提高图像分类的效果。
  - Concept 01: 介绍 Alexis
  - Concept 02: CNN 的应用
  - Concept 03: 课程大纲
  - Concept 04: MNIST 数据集
  - Concept 05: 计算机如何解析图像
  - Concept 06: MLP 结构和类别分数
  - Concept 07: 调查研究
  - Concept 08: 损失和优化
  - Concept 09: 在 PyTorch 中定义网络
  - Concept 10: 训练网络
  - Concept 11: Pre-Notebook：MLP 分类练习
  - Concept 12: Notebook：MLP 分类 MNIST
  - Concept 13: 一种解决方案
  - Concept 14: 模型验证
  - Concept 15: 验证损失
  - Concept 16: 图像分类步骤
  - Concept 17: MLP 与 CNN
  - Concept 18: 局部连接性
  - Concept 19: 过滤器和卷积层
  - Concept 20: 过滤器和边
  - Concept 21: 图像频率
  - Concept 22: 高通滤波器
  - Concept 23: 练习：核
  - Concept 24: OpenCV 和创建自定义过滤器
  - Concept 25: Notebook：寻找边缘
  - Concept 26: 卷积层
  - Concept 27: 卷积层（第 2 部分）
  - Concept 28: 步长和填充
  - Concept 29: 池化层
  - Concept 30: Notebook：层级可视化
  - Concept 31: 胶囊网络
  - Concept 32: 增加深度
  - Concept 33: 图像分类 CNN
  - Concept 34: PyTorch 中的卷积层
  - Concept 35: 特征向量
  - Concept 36: Pre-Notebook：CNN 分类
  - Concept 37: Notebook：CIFAR 图像分类 CNN
  - Concept 38: CIFAR 分类示例
  - Concept 39: PyTorch 中的 CNN
  - Concept 40: 图像增强
  - Concept 41: 通过转换增强图像
  - Concept 42: 突破性的 CNN 结构
  - Concept 43: 可视化 CNN（第 1 部分）
  - Concept 44: 可视化 CNN（第 2 部分）
  - Concept 45: CNN 总结
- Lesson 02: 迁移学习学习如何通过迁移学习将预训练的网络应用到新任务上。
  - Concept 01: 迁移学习
  - Concept 02: 实用层级
  - Concept 03: 微调
  - Concept 04: VGG 模型和分类器
  - Concept 05: Pre-Notebook：迁移学习
  - Concept 06: Notebook：迁移学习，花朵
  - Concept 07: 冻结权重和最后层级
  - Concept 08: 训练分类器
- Lesson 03: 权重初始化在这节课，你将学习如何为神经网络设置合适的初始权重。合适的初始权重使神经网络更接近最佳模型
  - Concept 01: 权重初始化
  - Concept 02: 常量权重
  - Concept 03: 随机均匀分布
  - Concept 04: 一般法则
  - Concept 05: 正态分布
  - Concept 06: Pre-Notebook：权重初始化，正态分布
  - Concept 07: Notebook：正态分布和无初始化方式
  - Concept 08: 解决方案和默认初始化方式
  - Concept 09: 其他资料
Module 02: 实战项目：小狗品种分类器 - Dog Breed Project
- Lesson 01: 实战项目：小狗品种分类器 - Dog breed Project在这一项目中，你将学到如何建立一个处理现实生活中的，用户提供的图像的算法。给你一个狗的图像，你的算法将会识别并估计狗的品种。Project Description - 小狗品种分类器Project Rubric - 小狗品种分类器
  - Concept 01: CNN 项目
  - Concept 02: 小狗项目 Workspace - Dog Breed Project
Module 03: 癌症检测深度学习（Sebastian Thrun）
- Lesson 01: 癌症检测深度学习在本课中，听 Sebastian Thrun 介绍他用卷积神经网络检测皮肤癌的开创性工作。
  - Concept 01: 介绍
  - Concept 02: 皮肤癌
  - Concept 03: 皮肤癌生存概率
  - Concept 04: 医学分类
  - Concept 05: 数据
  - Concept 06: 图像挑战
  - Concept 07: 练习：数据挑战
  - Concept 08: 参考答案：数据挑战
  - Concept 09: 训练神经网络
  - Concept 10: 练习：随机权重与预初始化权重
  - Concept 11: 参考答案：随机权重与预初始化权重
  - Concept 12: 训练验证
  - Concept 13: 练习：敏感性与特异性
  - Concept 14: 参考答案：敏感性与特异性
  - Concept 15: 敏感性与特异性进一步介绍
  - Concept 16: 练习：癌症诊断
  - Concept 17: 参考答案：癌症诊断
  - Concept 18: ROC 曲线回顾
  - Concept 19: 练习：ROC 曲线
  - Concept 20: 参考答案：ROC 曲线
  - Concept 21: 将我们的结果与医生诊断结果相比较
  - Concept 22: 可视化
  - Concept 23: 神经网络关注的是什么
  - Concept 24: 混淆矩阵回顾
  - Concept 25: 混淆矩阵
  - Concept 26: 总结
  - Concept 27: 有用资源
  - Concept 28: 小项目介绍
  - Concept 29: 小项目：皮肤科医生的人工智能
Module 04: Tensorflow
- Lesson 01: 在Tensorflow中的卷积神经网络如何用 Tensorflow 去实现一个 CNN。
  - Concept 01: TensorFlow 卷积层
  - Concept 02: 探索设计空间
  - Concept 03: TensorFlow 最大池化
  - Concept 04: 练习：直观理解池化
  - Concept 05: 答案：直观理解池化
  - Concept 06: 练习：池化机制
  - Concept 07: 答案：池化机制
  - Concept 08: 练习：池化
  - Concept 09: 答案：池化练习
  - Concept 10: 练习：平均池化
  - Concept 11: 答案：平均池化
  - Concept 12: 1x1 卷积
  - Concept 13: Inception 模块
  - Concept 14: TensorFlow 中的卷积网络
  - Concept 15: TensorFlow 卷积层
  - Concept 16: 答案：TensorFlow 卷积层
  - Concept 17: TensorFlow 池化层
  - Concept 18: 答案：TensorFlow 池化层
  - Concept 19: CNNs - 补充材料
- Lesson 02: 自编码器自编码器是用于数据压缩、图像去噪和降维的神经网络。在这节课中，你将使用 TensorFlow 构建自编码器。
  - Concept 01: 自编码器课程简介
  - Concept 02: 自编码器
  - Concept 03: 一个简单的自编码器
  - Concept 04: 简单自编码器解决方案
  - Concept 05: 卷积自编码器
  - Concept 06: 卷积自编码器解决方案
Module 05: Keras
- Lesson 01: Keras 卷积神经网络用 Keras 实现卷积神经网络。
  - Concept 01: Keras 中的卷积层
  - Concept 02: Keras 中的最大池化层
  - Concept 03: Keras 中的 CNN：实例
  - Concept 04: 迷你项目：Keras 中的卷积神经网络
  - Concept 05: Keras 中的图片增强功能
  - Concept 06: 迷你项目：Keras 中的图片增强
  - Concept 07: 用 Keras 进行迁移学习
    Part 04 : 循环神经网络
    用神经网络打造属于你的循环神经网络（RNN）和长短期记忆神经网络（LSTM），并将其运用在文本情感分析、生成文本等前沿领域。挑战“生成电视剧剧本”实战项目。
Module 01: 循环神经网络
- Lesson 01: 循环神经网络循环神经网络，这是一种能够基于输入序列进行识别和运作的机器学习模型。
  - Concept 01: 循环神经网络简介
  - Concept 02: 循环神经网络历史
  - Concept 03: 循环神经网络的应用
  - Concept 04: 前馈神经网络：提醒
  - Concept 05: 前馈过程
  - Concept 06: 前馈练习
  - Concept 07: 反向传播算法：理论
  - Concept 08: 反向传播算法：示例(第一部分)
  - Concept 09: 反向传播算法：示例(第二部分)
  - Concept 10: 反向传播算法练习
  - Concept 11: 循环神经网络(第一部分)
  - Concept 12: 循环神经网络(第二部分)
  - Concept 13: 循环神经网络：展开模型
  - Concept 14: 展开模型练习
  - Concept 15: 循环神经网络：示例
  - Concept 16: 基于时间的反向传播算法（第一部分）
  - Concept 17: 基于时间的反向传播算法（第二部分）
  - Concept 18: 基于时间的反向传播算法（第三部分）
  - Concept 19: 基于时间的反向传播算法练习 1
  - Concept 20: 基于时间的反向传播算法练习 2
  - Concept 21: 基于时间的反向传播算法练习3
  - Concept 22: 更多数学知识
  - Concept 23: 循环神经网络总结
  - Concept 24: 从循环神经网络到长短期记忆网络
  - Concept 25: 小结
- Lesson 02: Long Short-Term Memory Networks (LSTMs)Luis 解释了长短期记忆网络（LSTM）和类似的架构，它们具有保持长期记忆的好处。
  - Concept 01: LSTM 介绍
  - Concept 02: RNN vs LSTM
  - Concept 03: LSTM 基础
  - Concept 04: LSTM 的架构
  - Concept 05: 学习门
  - Concept 06: 遗忘门
  - Concept 07: 记忆门
  - Concept 08: 应用门
  - Concept 09: 组合在一起
  - Concept 10: Quiz
  - Concept 11: 其他架构
- Lesson 03: Pytorch 实现 RNN 和 LSTM学习如何用代码表示记忆功能。然后在 PyTorch 中定义和训练 RNN 并将它们用于处理序列数据。
  - Concept 01: 实现 RNN
  - Concept 02: 时间序列预测
  - Concept 03: 训练和记忆功能
  - Concept 04: 字符 RNN
  - Concept 05: 序列分批
  - Concept 06: Pre-Notebook：字符级 RNN
  - Concept 07: Notebook：字符级 RNN
  - Concept 08: 实现字符级 RNN
  - Concept 09: 批处理数据 Solution
  - Concept 10: 定义模型
  - Concept 11: CharRNN Solution
  - Concept 12: 做出预测
- Lesson 04: 嵌入与 Word2Vec在这节课，你将通过实现 Word2Vec 模型来学习神经网络中的嵌入概念。
  - Concept 01: 词嵌入
  - Concept 02: 嵌入权重矩阵/查询表
  - Concept 03: Word2Vec Notebook
  - Concept 04: Pre-Notebook：Word2Vec，SkipGram
  - Concept 05: Notebook：Word2Vec，SkipGram
  - Concept 06: 数据和二次采样
  - Concept 07: 二次采样 Solution
  - Concept 08: 上下文字词目标
  - Concept 09: 批处理数据，Solution
  - Concept 10: Word2Vec 模型
  - Concept 11: 模型和验证
  - Concept 12: 负采样
  - Concept 13: Pre-Notebook：负采样
  - Concept 14: Notebook：负采样
  - Concept 15: SkipGramNeg，模型定义
  - Concept 16: 完成模型并自定义损失
- Lesson 05: 在线Lab：Pytorch实现情感分析 RNN实现一个判定影评是正面还是负面影评的情感分析 RNN。
  - Concept 01: 情感分析 RNN 简介
  - Concept 02: Pre-Notebook：情感分析 RNN
  - Concept 03: Notebook：情感分析 RNN
  - Concept 04: 数据预处理
  - Concept 05: 编码字词 Solution
  - Concept 06: 删除长度为 0 的影评
  - Concept 07: 清理和填充数据
  - Concept 08: 填充过的特征 Solution
  - Concept 09: TensorDataset 和批处理数据
  - Concept 10: 定义模型
  - Concept 11: 完成情感分析 RNN
  - Concept 12: 训练模型
  - Concept 13: 测试
  - Concept 14: 推理 Solution
- Lesson 06: Tensorflow 实现 RNNTensorflow实现RNN和LSTM。
  - Concept 01: RNN 入门
  - Concept 02: LSTMs
  - Concept 03: 字符 RNN
  - Concept 04: 序列分批
  - Concept 05: 字符 RNN Notebook
- Lesson 07: Hyperparameters在这节课中，我们将了解一些超参数，它们对深度学习的运作非常重要。我们将讨论初始值和调整每个超参数的直觉判断。
  - Concept 01: 讲师简介
  - Concept 02: 简介
  - Concept 03: 学习率简介
  - Concept 04: 学习率
  - Concept 05: Minibatch 大小
  - Concept 06: 训练迭代 / Epoch 的次数
  - Concept 07: 隐藏单元/层的数量
  - Concept 08: RNN 超参数
  - Concept 09: RNN 超参数
  - Concept 10: 资源和参考
Module 02: 注意力
- Lesson 01: 注意力注意力模型是深度学习中最重要的突破之一。在这一节，你将会学习注意力模型是如何工作的，并实现一些基础代码。
  - Concept 01: 注意力简介
  - Concept 02: 编码器和解码器
  - Concept 03: 序列到序列小结
  - Concept 04: 编码 — 注意力概述
  - Concept 05: 解码 — 注意力概述
  - Concept 06: 注意力概述
  - Concept 07: 注意力编码器
  - Concept 08: 注意力解码器
  - Concept 09: 注意力编码器和解码器
  - Concept 10: Bahdanau 注意力与 Luong 注意力
  - Concept 11: 乘法注意力
  - Concept 12: 加法注意力
  - Concept 13: 加法和乘法注意力
  - Concept 14: 计算机视觉应用
  - Concept 15: 其他注意力方法
  - Concept 16: Transformer 和自注意力
  - Concept 17: Notebook：注意力基础知识
  - Concept 18: [解决方案]：注意力基础知识
  - Concept 19: 小结
Module 03: Project: Generate TV Scripts
- Lesson 01: Project: 电视剧本生成 - Generate TV Scripts通过训练一个循环神经网络来生成电视剧剧本。Project Description - 电视剧剧本生成 - Generate TV ScriptsProject Rubric - 电视剧剧本生成 - Generate TV Scripts
  - Concept 01: 项目简介
  - Concept 02: GPU Workspaces: 如何更好的练习
  - Concept 03: Workspace: 电视剧本生成 - TV Script Generation
Module 04: 时间序列模型用于股票分析
- Lesson 01: 如何通过时间序列模型预测股票
  - Concept 01: 如何通过时间序列模型预测股票
    Part 05 : 对抗生成网络
    跟随生成对抗网络之父 Ian Goodfellow，学习并掌握深度卷积生成对抗网络（DCGAN）模型，来模拟生成真实图像。
Module 01: 生成对抗网络
- Lesson 01: 生成对抗网络在这节课中，GAN 的发明者 Ian Goodfellow 将向大家介绍这个备受追捧的模型。你还将教你使用 MNIST 数据库实现你自己的 GAN。
  - Concept 01: 介绍 Ian Goodfellow
  - Concept 02: 你可以用 GAN 做些什么？
  - Concept 03: GAN 的运作原理
  - Concept 04: 博弈论和均衡
  - Concept 05: 训练 GAN 的实用技巧
  - Concept 06: 构建 GAN
  - Concept 07: GAN 入门
  - Concept 08: 生成器网络
  - Concept 09: 辨别器网络
  - Concept 10: 生成器和辨别器解决方案
  - Concept 11: 构建网络
  - Concept 12: 构建网络解决方案
  - Concept 13: 训练损失
  - Concept 14: 训练优化器
  - Concept 15: 训练损失和优化器解决方案
  - Concept 16: 训练后的 GAN
  - Concept 17: 改进你的 GAN
- Lesson 02: 深度卷积生成对抗网络在本课中，你将实现一个深度卷积 GAN，以生成房屋编号的复杂彩色图像。
  - Concept 01: 深度卷积 GAN
  - Concept 02: DCGAN 架构
  - Concept 03: 批次归一化
  - Concept 04: DCGAN 实现
  - Concept 05: DCGAN 和生成器
  - Concept 06: 生成器解决方案
  - Concept 07: 辨别器
  - Concept 08: 辨别器解决方案
  - Concept 09: 构建和训练网络
  - Concept 10: 超参数解决方案
- Lesson 03: 项目：生成人脸让两个神经网络相互博弈，生成逼真的人脸图像。Project Description - 项目：生成人脸Project Rubric - 项目：生成人脸
  - Concept 01: 项目简介
  - Concept 02: Notebook: 生成人脸
- Lesson 04: 半监督学习Ian Goodfellow 带你学习半监督 GAN 模型，一种可以使用大量未标记数据，及少量已标记数据进行训练的分类器。
  - Concept 01: 半监督学习
  - Concept 02: 半监督 GAN 分类器
  - Concept 03: 半监督学习简介
  - Concept 04: 准备数据
  - Concept 05: 建立生成器和辨别器
  - Concept 06: 模型损失练习
  - Concept 07: 模型优化练习
  - Concept 08: 训练网络
  - Concept 09: 辨别器解决方案
  - Concept 10: 模型损失解决方案
  - Concept 11: 模型优化解决方案
  - Concept 12: 半监督 GAN 训练结果
    Part 06 : 深度强化学习
    在这一章节中，我们会学习强化学习以及深度强化学习的基础理论，并教自己的无人机学会飞行！
Module 01: 强化学习
- Lesson 01: 欢迎学习强化学习！强化学习是一种机器学习方法，其中机器或软件智能体会学习如何最大化在某个任务中的性能。
  - Concept 01: 简介
  - Concept 02: 应用
  - Concept 03: 设置
  - Concept 04: OpenAI Gym
  - Concept 05: 资源
  - Concept 06: 参考指南
- Lesson 02: 强化学习框架：问题了解如何以数学方式将任务构建为 Markov 决策流程。
  - Concept 01: 简介
  - Concept 02: 设置 - 回顾
  - Concept 03: 阶段性任务与连续性任务
  - Concept 04: 练习：知识测验
  - Concept 05: 练习：阶段性或连续性？
  - Concept 06: 奖励假设
  - Concept 07: 目标和奖励（第 1 部分）
  - Concept 08: 目标和奖励（第 2 部分）
  - Concept 09: 练习：目标和奖励
  - Concept 10: 累积奖励
  - Concept 11: 折扣回报
  - Concept 12: 练习：杆平衡
  - Concept 13: MDP（第 1 部分）
  - Concept 14: MDP（第 2 部分）
  - Concept 15: 练习：一步动态特性（第 1 部分）
  - Concept 16: 练习：一步动态特性（第 2 部分）
  - Concept 17: MDP（第 3 部分）
  - Concept 18: 有限 MDP
  - Concept 19: 总结
- Lesson 03: 强化学习框架：解决方案在强化学习中，智能体学习根据与不同结果相关的奖励和惩罚优先选择不同的决策。
  - Concept 01: 简介
  - Concept 02: 策略
  - Concept 03: 练习：解析策略
  - Concept 04: 网格世界示例
  - Concept 05: 状态值函数
  - Concept 06: 贝尔曼方程（第 1 部分）
  - Concept 07: 练习：状态值函数
  - Concept 08: 最优性
  - Concept 09: 动作值函数
  - Concept 10: 练习：动作值函数
  - Concept 11: 最优策略
  - Concept 12: 练习：最优策略
  - Concept 13: 贝尔曼方程（第 2 部分）
  - Concept 14: 总结
- Lesson 04: 动态规划动态规划设置是解决强化学习问题的第一个实用步骤。
  - Concept 01: 简介
  - Concept 02: 迷你项目：动态规划 (OpenAI Gym-FrozenLakeEnv)
  - Concept 03: 另一个网格世界示例
  - Concept 04: 迭代方法（第 1 部分）
  - Concept 05: 迭代方法（第 2 部分）
  - Concept 06: 练习：迭代方法
  - Concept 07: 迭代策略评估
  - Concept 08: 实现
  - Concept 09: 迷你项目：动态规划（第 0 部分和第 1 部分）
  - Concept 10: 动作值
  - Concept 11: 实现
  - Concept 12: 迷你项目：动态规划（第 2 部分）
  - Concept 13: 策略改进
  - Concept 14: 实现
  - Concept 15: 迷你项目：动态规划（第 3 部分）
  - Concept 16: 策略迭代
  - Concept 17: 实现
  - Concept 18: 迷你项目：动态规划（第 4 部分）
  - Concept 19: 截断策略迭代
  - Concept 20: 实现
  - Concept 21: 迷你项目：动态规划（第 5 部分）
  - Concept 22: 值迭代
  - Concept 23: 实现
  - Concept 24: 迷你项目：动态规划（第 6 部分）
  - Concept 25: 知识检验
  - Concept 26: 总结
- Lesson 05: 蒙特卡洛方法自己编写蒙特卡洛控制方法的实现代码，指导智能体玩二十一点！
  - Concept 01: 简介
  - Concept 02: 迷你项目：蒙特卡洛方法 (OpenAI Gym-BlackjackEnv)
  - Concept 03: MC 预测：状态值
  - Concept 04: 实现
  - Concept 05: 迷你项目：蒙特卡洛方法（第 0 和 1 部分）
  - Concept 06: MC 预测：动作值
  - Concept 07: 实现
  - Concept 08: 迷你项目：蒙特卡洛方法（第 2 部分）
  - Concept 09: 广义策略迭代
  - Concept 10: MC 控制：增量均值
  - Concept 11: 练习：增量均值
  - Concept 12: MC 控制：策略评估
  - Concept 13: MC 控制：策略改进
  - Concept 14: 练习：Epsilon 贪婪策略
  - Concept 15: 探索与利用
  - Concept 16: 实现
  - Concept 17: 迷你项目：蒙特卡洛方法（第 3 部分）
  - Concept 18: MC 控制：常量 α（第 1 部分）
  - Concept 19: MC 控制：常量 α（第 2 部分）
  - Concept 20: 实现
  - Concept 21: 迷你项目：蒙特卡洛方法（第 4 部分）
  - Concept 22: 总结
- Lesson 06: 时间差分方法学习如何应用时间差分方法（例如 Sarsa、Q 学习和预期）解决阶段性任务和连续性任务。
  - Concept 01: 简介
  - Concept 02: 迷你项目：时间差分方法 (OpenAI Gym-CliffWalkingEnv）
  - Concept 03: TD 预测：TD(0)
  - Concept 04: 实现
  - Concept 05: 迷你项目：时间差分方法（第 0 部分和第 1 部分）
  - Concept 06: TD 预测：动作值
  - Concept 07: TD 控制：Sarsa(0)
  - Concept 08: 实现
  - Concept 09: 迷你项目：时间差分方法（第 2 部分）
  - Concept 10: TD 控制：Sarsamax
  - Concept 11: 实现
  - Concept 12: 迷你项目：时间差分方法（第 3 部分）
  - Concept 13: TD 控制：预期 Sarsa
  - Concept 14: 实现
  - Concept 15: 迷你项目：时间差分方法（第 4 部分）
  - Concept 16: 分析性能
  - Concept 17: 总结
- Lesson 07: 迷你项目：解决 OpenAI Gym 的 Taxi-v2 任务现在你已经掌握了强化学习技巧，可以使用 OpenAI Gym 探索一个迷你项目了！
  - Concept 01: 项目说明
  - Concept 02: 迷你项目
Module 02: 深度强化学习
- Lesson 01: 连续空间中的强化学习复习强化学习的基本概念，并了解如何调整传统算法以适用于连续空间。
  - Concept 01: 深度强化学习
  - Concept 02: 资源
  - Concept 03: 离散空间与连续空间
  - Concept 04: 空间表示法
  - Concept 05: 离散化
  - Concept 06: Tile Coding
  - Concept 07: Coarse Coding
  - Concept 08: 函数逼近
  - Concept 09: 线性函数逼近
  - Concept 10: 内核函数
  - Concept 11: 非线性函数逼近
  - Concept 12: 总结
- Lesson 02: 深度Q-学习使用深度神经网络对基于值的强化学习方法进行扩展，以解决复杂的问题。
  - Concept 01: 深度 Q 学习简介
  - Concept 02: 神经网络作为值函数
  - Concept 03: 蒙特卡洛学习
  - Concept 04: 时间差分学习
  - Concept 05: Q 学习
  - Concept 06: 深度 Q 网络
  - Concept 07: 经验回放
  - Concept 08: 固定 Q 目标
  - Concept 09: 深度 Q 学习算法
  - Concept 10: DQN 改进
  - Concept 11: 实现深度 Q 学习
  - Concept 12: TensorFlow 实现
  - Concept 13: 总结
- Lesson 03: 策略梯度基于策略的方法会尝试直接进行优化以获得最优策略。我们将了解这些方法的原理，以及为何很重要，尤其是对于连续状态空间领域的问题来说。
  - Concept 01: 基于策略的方法
  - Concept 02: 为何要使用基于策略的方法？
  - Concept 03: 策略函数逼近
  - Concept 04: 随机性策略搜索
  - Concept 05: 策略梯度
  - Concept 06: 蒙特卡洛策略梯度
  - Concept 07: 受限策略梯度
  - Concept 08: 总结
- Lesson 04: 行动者-评论者方法了解如何将基于值的方法和基于策略的方法相结合，并充分利用二者的优势来解决具有挑战性的强化学习问题。
  - Concept 01: 行动者-评论者方法
  - Concept 02: 更好的得分函数
  - Concept 03: 两个函数逼近器
  - Concept 04: 行动者和评论者
  - Concept 05: 优势函数
  - Concept 06: 行动者-评论者方法与优势函数
  - Concept 07: 总结
- Lesson 05: 项目 - 四轴飞行器开始你的最后一个项目，四轴飞行器！Project Description - 指导四轴飞行器学会飞行Project Rubric - 指导四轴飞行器学会飞行
  - Concept 01: 项目介绍
  - Concept 02: 回放缓冲区
  - Concept 03: DDPG: 行动者
  - Concept 04: DDPG: 评论者
  - Concept 05: DDPG: 智能体
  - Concept 06: Ornstein–Uhlenbeck 噪点
  - Concept 07: 问题聚焦
  - Concept 08: Notebook:四轴飞行器
    Part 07 : 邀请红包
Module 01: 邀请红包
- Lesson 01: 邀请红包邀请好友加入课程，拿 200 元现金红包！
  好友也获得最高￥320 购课优惠，轻松开启学习之路
  - Concept 01: 邀请红包
    Part 08 : 机器学习部署
Module 01: 机器学习部署
- Lesson 01: 模型云部署简介
  - Concept 01: 云计算
  - Concept 02: 什么是机器学习工作流？
  - Concept 03: 云计算是什么？
  - Concept 04: 部署的方式是什么？
  - Concept 05: 机器学习工作流中的开发和运行
  - Concept 06: 机器学习课程中的部署
  - Concept 07: 部署与 REST APIs
  - Concept 08: HTTP 请求和 HTTP 响应
  - Concept 09: 模型超参数调参
  - Concept 10: 部署特征
  - Concept 11: 各云平台比较
- Lesson 02: 使用Amazon SageMaker进行机器学习部署
  - Concept 01: SageMaker是什么
  - Concept 02: AWS 账号
  - Concept 03: 检查 GPU 使用
  - Concept 04: 建立一个Notebook实例
  - Concept 05: 获得Notebook
  - Concept 06: SageMaker Sessions & Execution 功能
  - Concept 07: SageMaker 上传至 S3 bucket
  - Concept 08: 波士顿房价数据
  - Concept 09: XGBoost
  - Concept 10: Transform
  - Concept 11: SageMaker中的Low-level model
  - Concept 12: Mini-project：IMDB数据库
- Lesson 03: 在SageMaker中部署模型
  - Concept 01: 在SageMaker中部署模型
  - Concept 02: 部署案例 - 波士顿房价
  - Concept 03: 部署情绪分析模型
  - Concept 04: 创建并使用Endpoint
  - Concept 05: 终端调用的步骤
  - Concept 06: 部署一个 Lambda 函数
  - Concept 07: 建立API
  - Concept 08: Web应用
- Lesson 04: SageMaker中的超参数
  - Concept 01: 超参数的调整及寻优
  - Concept 02: 超参数寻优介绍
  - Concept 03: 超参数寻优具体案例 —— 波士顿房价
  - Concept 04: Mini-project:情绪预测
  - Concept 05: 深入了解背后的机理
  - Concept 06: 总结
    Part 09 : 额外练习
Module 01: Regression, Eval
- Lesson 01: 评判标准这节课中，你将会学习几个最常用的学习模型的评判标准。
  - Concept 01: 简介
  - Concept 02: 混淆矩阵
  - Concept 03: 答案 - 混淆矩阵
  - Concept 04: 准确率
  - Concept 05: 答案 - 准确率
  - Concept 06: 准确率不适用的情形
  - Concept 07: 假阴性与假阳性
  - Concept 08: 答案 - 假阴性与假阳性
  - Concept 09: 精度
  - Concept 10: 召回率
  - Concept 11: ROC 曲线
- Lesson 02: 回归深入学习神经网络中的回归。
  - Concept 01: 简介
  - Concept 02: 练习：房价
  - Concept 03: 参考答案：房价
  - Concept 04: 用数据拟合直线
  - Concept 05: 调整一条直线
  - Concept 06: 绝对值技巧
  - Concept 07: 平方技巧
  - Concept 08: 梯度下降
  - Concept 09: 平均绝对值误差
  - Concept 10: 平均平方误差
  - Concept 11: 最小化误差函数
  - Concept 12: 练习准备：预测生命长度
  - Concept 13: 实验: 预测生命长度
  - Concept 14: 绝对值误差 VS 平方误差
  - Concept 15: 高维度
  - Concept 16: 解数学方程表组
  - Concept 17: 参考答案：解数学方程组
  - Concept 18: 线性回归注意事项
  - Concept 19: 多项式回归
  - Concept 20: 正则化
  - Concept 21: 神经网络回归
  - Concept 22: 尝试神经网络
  - Concept 23: 小结
Module 02: Miniflow
- Lesson 01: MiniFlow在这节课，你将构建一个你自己的迷你版本的 TensorFlow，叫做 MiniFlow。通过构建 MiniFlow，你将了解 TensorFlow 的工作原理，并掌握一些重要的概念，例如反向传播。
  - Concept 01: 欢迎学习 MiniFlow 课程
  - Concept 02: 图表
  - Concept 03: MiniFlow 架构
  - Concept 04: 前向传播
  - Concept 05: 前向传播解决方案
  - Concept 06: 学习和损失
  - Concept 07: 线性变换
  - Concept 08: Sigmoid 函数
  - Concept 09: 代价
  - Concept 10: Cost 解决方案
  - Concept 11: 梯度下降
  - Concept 12: 反向传播
  - Concept 13: 随机梯度下降
  - Concept 14: SGD 解决方案
  - Concept 15: 小结

【点击购买】

人工智能系列-2022

深度学习 6.0/Deep Learning

深度学习

Part 01 : 深度学习简介

Part 02 : 神经网络

Part 03 : 卷积神经网络

Part 04 : 循环神经网络

Part 05 : 对抗生成网络

Part 06 : 深度强化学习

Part 07 : 邀请红包

Part 08 : 机器学习部署

Part 09 : 额外练习