【Deep Learning Nanodegree Foundation笔记】第 0 课：课程计划
第一周
机器学习的类型，以及何时使用机器学习
我们将首先简单介绍线性回归和机器学习。这将让你熟悉这些领域的常用术语，你需要了解的技术进展，并了解深度学习在更大的机器学习背景中的位置。
直播：线性回归
WEEK 1
Types of Machine Learning and when to use Machine Learning
Live session: Linear regression from scratch第二周
神经网络的架构和类型
然后，我们将深入探索神经网络，并了解各种规范架构，如 AlexNet、LeNet 等。我们将使用这些神经网络将含有数字的图像自动转换为相应的数字。
直播：数值分类
WEEK 2
Neural Network Architecture + Types
Live session: Numerical classification from scratch第三周
云计算和情绪分析
我们将使用 GPU 云计算训练深层神经网络，使用相关模型对目标文本进行简单的情绪分析。
直播：情绪分析入门，云计算详细指导
WEEK 3
Cloud computing + sentiment analysis
Live session: Sentiment Analysis from scratch + cloud computing detailed instructions
第四周
数学标记法和推荐系统
这周，我们将探索推荐系统的世界，例如 Netflix，亚马逊和其他网站使用的那些。你还将学习线性代数基础知识，在整个深度学习课程中，这都很有用。
直播：多种数学示例和推荐系统
WEEK 4
Math Notation + recommender systems
Live session: Various math examples + recommender system from scratch第五周
数据准备（数据清洗、正则化、降维）
要实际应用深度学习，关键之一是收集正确的训练数据。在本课中，我们将探讨可以用来清洗和正则化数据的各种技术，让你训练出有效的模型。
直播：数据准备
WEEK 5
Data preparation (cleaning, regularization, dimensionality reduction)
Live session: Data prep from scratch第六周
无人机图像追踪
卷积神经网络（CNN）是目前神经网络领域最令人振奋的进步之一，它现在已经可以比人类更出色地对图像中的物体分类。在本课中，我们将学习这些神经网络背后的原理，并使用它们来追踪无人机图像。
直播：图片分类
WEEK 6
Drone image tracking
Live session: Image classification from scratch第七周
预测
在本课中，我们将了解递归神经网络（RNN），一种特别适合时间序列数据的神经网络架构。我们会把它应用到一些最重要的时间序列数据——股票价格！
直播：股票价格预测
WEEK 7
Stock prediction
Live session: Stock prediction from scratch第八周
艺术品生成
除了简单的预测，深层神经网络现在也能够基于样本生成音乐，图像和艺术品。在本课中，我们将通过一种称为“风格迁移（Style Transfer）”的技术，使用神经网络来创建基于我们输入的艺术品的新艺术品。
直播：艺术风格迁移
WEEK 8
Art generation
Live session: Artistic Style transfer from scratch第九周
音乐生成（将 LSTM 神经网络应用于音频）
正如 DeepMind 著名的 Wavenet 论文所表明，神经网络也可以应用于处理音频。在本课中，我们将使用一种称为 LSTM 的递归神经网络来基于现有样本生成新的音乐片段。
直播：音乐生成
WEEK 9
Music generation (LSTMs applied to Audio)
Live session: Generating music from scratch第十周
诗歌生成（将 LSTM 神经网络应用于自然语言处理）
我们已经生成了图像和音乐，本周，我们将扩展到文本和语言，使用 LSTM 来基于训练数据生成新颖的书写样本。
直播：文本生成
WEEK 10
Poetry generation (LSTMs applied to NLP)
Live session: Text generation from scratch第十一周
语言翻译（序列至序列学习）
机器翻译最近取得的进展，很大程度上归功于神经网络。最新版本的谷歌翻译和百度翻译都使用深度学习架构，来将文字从一种语言翻译成另一种语言。这是使用一种称为序列至序列学习（Sequence to Sequence Learning）的过程完成的，我们将在本课中探讨。
直播：语言翻译
W E E K 11
Language translation (sequence to sequence)
Live session: Language translation from scratch第十二周
语音聊天机器人 QA 系统
我们进一步探索序列至序列学习，构建我们自己的聊天机器人 QA 系统，回答用户的各类问题。
直播：聊天机器人
WEEK 12
Chatbot QA System with voice
Live session: Chatbot from scratch第十三周
游戏机器人（通过蒙特卡洛树搜索进行强化学习）
深度学习领域最有趣的一些进展，发生在增强学习领域。神经网络通过动态的即时数据学习并调整，而不是使用过时的数据来训练。我们将应用强化学习构建简单的游戏机器人，让它可以在各种 Atari 游戏中获胜。
直播：游戏机器人
WEEK 13
Game bot 2D (reinforcement learning via Monte-Carlo tree search)
Live session: Game bot from scratch第十四周
图片压缩
深度学习也可以用来显著地改善压缩技术。在本课中，我们将使用深度学习来构建自动编码器，它可以自动找到数据稀疏样本。
直播：自动编码器
WEEK 14
Image compression
Live session: Autoencoder from scratch第十五周
数据可视化
在本课中，你将应用深层学习来检测数据中的异常值。这在用来防止信用卡欺诈的应用中非常有用。
直播：数据可视化
WEEK 15
Data visualization
Live session: Data visualization from scratch第十六周
图片生成
生成对抗网络（GAN）是深度学习中最深层的进步之一。你将探索这个新概念，使用计算机生成图像。大多数人不会相信这些图片是计算机生成的！
直播：生成对抗网络（GAN）
WEEK 16
Image generation
Live session: Generative adversarial network from scratch第十七周
小样本学习（概率规划）
最后，我们将介绍小样本学习（one-shot learning）——神经网络只能从一个（或几个）样本中学习，而不是大量数据。
直播：小样本学习
WEEK 17
One-shot learning (Probabilistic Programming)
Live session: One shot learning from scratch实战项目 1
你的第一个神经网络 Your First Neural Network
搭建一个简单的神经网络，预测共享单车的使用情况。
实战项目 2
物体识别 Object Recognition
搭建一个神经网络，可以识别图片中的物体。
实战项目 3
生成电视剧剧本 Generate TV Scripts
使用深度学习，为你最喜爱的电视连续剧生成剧本。
实战项目 4
开发翻译机器人 Make a Translation Chatbot
开发一个翻译机器人，可以在你与朋友聊天时帮你即时翻译。
实战项目 5
生成人脸 Generate Faces
使用生成对抗网络（GAN）来生成原创的人脸图像。
【Deep Learning Nanodegree Foundation笔记】第 0 课：课程计划的更多相关文章
- 【Deep Learning Nanodegree Foundation笔记】第 1 课：INTRODUCTION Welcome
Welcome to the Deep Learning Nanodegree Foundations Program! In this lesson, you'll meet your instru ...
- 【Deep Learning Nanodegree Foundation笔记】第 10 课：Sentiment Analysis with Andrew Trask
In this lesson, Andrew Trask, the author of Grokking Deep Learning, will walk you through using neur ...
- 【Deep Learning Nanodegree Foundation笔记】第 7 课：NEURAL NETWORKS Intro to Neural Networks
In this lesson, you'll dive deeper into the intuition behind Logistic Regression and Neural Networks ...
- 【Deep Learning Nanodegree Foundation笔记】第 5 课：Logistic Regression
Learn about linear regression and logistic regression models. These simple machine learning models a ...
- 【Deep Learning Nanodegree Foundation笔记】第 9 课：Model Evaluation and Validation
In this lesson, you'll learn some of the basics of training models. You'll learn the power of testin ...
- Deep Learning.ai学习笔记_第一门课_神经网络和深度学习
目录 前言 第一周(深度学习引言) 第二周(神经网络的编程基础) 第三周(浅层神经网络) 第四周(深层神经网络) 前言 目标: 掌握神经网络的基本概念, 学习如何建立神经网络(包含一个深度神经网络), ...
- Deep Learning.ai学习笔记_第五门课_序列模型
目录 第一周 循环序列模型 第二周 自然语言处理与词嵌入 第三周 序列模型和注意力机制 第一周 循环序列模型 在进行语音识别时,给定一个输入音频片段X,并要求输出对应的文字记录Y,这个例子中输入和输出 ...
- Deep Learning.ai学习笔记_第四门课_卷积神经网络
目录 第一周 卷积神经网络基础 第二周 深度卷积网络:实例探究 第三周 目标检测 第四周 特殊应用:人脸识别和神经风格转换 第一周 卷积神经网络基础 垂直边缘检测器,通过卷积计算,可以把多维矩阵进行降 ...
- Deep Learning.ai学习笔记_第三门课_结构化机器学习项目
目录 第一周 机器学习策略(1) 第二周 机器学习策略(2) 目标:学习一些机器学习优化改进策略,使得搭建的学习模型能够朝着最有希望的方向前进. 第一周 机器学习策略(1) 搭建机器学习系统的挑战:尝 ...
随机推荐
- 【鸽】poj3311 Hie with the Pie[状压DP+Floyd]
题解网上一搜一大坨的,不用复述了吧. 只是觉得网上dp方程没多大问题,但是状态的表示含义模糊.不同于正常哈密顿路径求解,状态表示应当改一下. 首先定义一次移动为从一个点经过若干个点到达另一个点,则$f ...
- PowerDesigner 生成SQL Server 2005 注释脚本
--生成数据表的注释EXEC sys.sp_addextendedproperty @name=N'MS_Description', @value=[%R%?[N]]%.q:COMMENT% , @l ...
- MAC下安装Homebrew和GDB，并解决无法调试问题
Homebrew官网 http://brew.sh/index_zh-cn.html Homebrew是神马 linux系统有个让人蛋疼的通病,软件包依赖,好在当前主流的两大发行版本都自带了解决方案, ...
- Wpf自动滚动效果
一.思路 1.使用ScrollView的Scroll.ScrollToVerticalOffset(offset)方法进行滚动 2.ScrollView中放置2个ListView,第一个滚动出边界后, ...
- python基础语法-Ⅲ
Python注释 python中单行注释采用 # 开头. 实例 输出结果: 注释可以在语句或表达式行末: python 中多行注释使用三个单引号(''')或三个双引号(""&quo ...
- 在linux 下配置firewalld
查看firewalld 是否开始与运行 以下两种方式都可以 systemctl status firewalld.service firewall-cmd --state 查看所有打开的端口 以下两种 ...
- 51 Nod 不重叠的线段
#include<bits/stdc++.h> #define in(X) scanf("%d",&X) #define out(X) printf(" ...
- Codeforces Round #325 (Div. 2) A. Alena's Schedule 暴力枚举 字符串
A. Alena's Schedule time limit per test 1 second memory limit per test 256 megabytes input standard ...
- HDU 2829 [Lawrence] DP斜率优化
解题思路 首先肯定是考虑如何快速求出一段铁路的价值. \[ \sum_{i=1}^k \sum_{j=1, j\neq i}^kA[i]A[j]=(\sum_{i=1}^kA[i])^2-\sum_{ ...
- es6字符串的扩展——模板
todo1.模板字符串 传统的 JavaScript 语言,输出模板通常是这样写的(下面使用了 jQuery 的方法). $('#result').append( 'There are <b&g ...