【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
- Centos安装nmap端口查看工具
CentOS安装nmap端口查看工具 一.安装nmap yum install nmap #输入y安装 二.使用nmap nmap localhost #查看主机当前开放的端口 ...
- 阅读之MySQL数据库分表
移动互联网时代,海量的用户数据每天都在产生,基于用户使用数据等这样的分析,都需要依靠数据统计和分析,当数据量小时,数据库方面的优化显得不太重要,一旦数据量越来越大,系统响应会变慢,TPS直线下降,直至 ...
- 将TextEdit设置为密码框
属性--Properties--UseSystemPasswordChar设置为true
- RFID-RC522射频
与Arduino的接线方法: 米其林编程:
- File类、FileInfo类、Directory类、DirectoryInfo类
File类.Directory类,都是静态类,可以直接使用类名 FileInfo类.DirectoryInfo类,都是动态类,需要new对象,通过对象来操作 [文件的创建.复制.移动.删除]using ...
- POJ 2456 编程技巧之------二分查找思想的巧妙应用
Aggressive cows Time Limit: 1000MS Memory Limit: 65536K Total Submissions: 18599 Accepted: 8841 ...
- Python字典里的5个黑魔法
Python里面有3大数据结构:列表,字典和集合.字典是常用的数据结构,里面有一些重要的技巧用法,我把这些都整理到一起,熟练掌握这些技巧之后,对自己的功力大有帮助. 1.字典的排序: 用万金油sort ...
- MDK Keil 5软件小技巧
几乎所有玩ARM Cortex M单片机的坛友都是通过MDK Keil 5或者IAR环境进行单片机的程序开发的,俗话说工欲善其事必先利其器,我们天天都在用这个开发环境,那么,有些在MDK Keil 5 ...
- GC详解
GC,即就是Java垃圾回收机制.目前主流的JVM(HotSpot)采用的是分代收集算法.与C++不同的是,Java采用的是类似于树形结构的可达性分析法来判断对象是否还存在引用.即:从gcroot开始 ...
- C++入门经典-例2.8-输出整数，控制打印格式
1:代码如下: // 2.8.cpp : 定义控制台应用程序的入口点. // #include "stdafx.h" #include <iostream> #incl ...