人工智能教程 - 目录 - 好文

<>目录

<>请先看前言

<>前言 <http://blog.csdn.net/jiangjunshow/article/details/77338485>

<>1 深度学习

<>1.1 介绍神经网络

<>1.1.1 什么是神经网络 <http://blog.csdn.net/jiangjunshow/article/details/77368314>

<>1.2 神经网络基础

<>1.2.1 如何将数据输入到神经网络中
<http://blog.csdn.net/jiangjunshow/article/details/77719604>

<>1.2.2 神经网络是如何进行预测的
<https://blog.csdn.net/jiangjunshow/article/details/77775768>

<>1.2.3 神经网络如何判断自己预测得是否准确

<>1.2.4 神经网络是如何进行学习的

<>1.2.5 计算图

<>1.2.6 如何计算逻辑回归的偏导数

<>1.2.7 向量化

<>1.2.8 如何开始使用python

<>1.2.9 如何向量化人工智能算法

<>1.2.10 [实战编程]教你编写第一个人工智能程序

<>1.3 浅神经网络

<>1.3.1 浅层神经网络

<>1.3.2 如何计算浅层神经网络的前向传播

<>1.3.3 如何计算浅层神经网络的反向传播

<>1.3.4 为什么需要激活函数

<>1.3.5 常见的激活函数

<>1.3.6 激活函数的偏导数

<>1.3.7 随机初始化参数

<>1.3.8 [实战编程]教你编写浅层神经网络

<>1.4 深度神经网络

<>1.4.1 为什么需要深度神经网络

<>1.4.2 如何计算深度神经网络

<>1.4.3 核对矩阵的维度

<>1.4.4 参数和超参数

<>1.4.5 [实战编程] 构建深度神经网络

<>2 实战优化

<>2.1 实战基础

<>2.1.1 如何配置数据集

<>2.1.2 欠拟合和过拟合

<>2.1.3 如何解决欠拟合与过拟合

<>2.1.4 L2正则化

<>2.1.5 dropout

<>2.1.6 数据增强

<>2.1.7 将输入特征进行归一化处理

<>2.1.8 梯度消失和梯度爆炸

<>2.1.9 梯度检验

<>2.1.10 [实战编程] 构建实战神经网络

<>2.2 优化算法

<>2.2.1 Mini-batch 梯度下降

<>2.2.2 理解Mini-batch 梯度下降

<>2.2.3 指数加权平均

<>2.2.4 理解指数加权平均

<>2.2.5 指数加权平均的偏差修正

<>2.2.6 momentum梯度下降

<>2.2.7 RMSprop

<>2.2.8 Adam优化算法

<>2.2.9 学习率衰减

<>2.2.10 局部最优问题

<>2.2.11 [实战编程] 优化神经网络

<>2.3 调试神经网络

<>2.3.1 调试处理

<>2.3.2 为超参数选择和适合范围

<>2.3.3 超参数训练的实践

<>2.3.4 网络中的正则化激活函数

<>2.3.5 将 Batch Norm拟合进神经网络

<>2.3.6 为什么Batch Norm奏效？

<>2.3.7 测试时的Batch Norm

<>2.3.8 Softmax 回归

<>2.3.9 训练一个Softmax 分类器

<>2.3.10 深度学习框架

<>2.3.11 TensorFlow（TensorFlow）

<>2.3.12 [实战编程] 使用框架构建神经网络

<>3 深度学习项目实战

<>3.1 项目实战一

<>3.1.1 为什么是ML策略？

<>3.1.2 正交化

<>3.1.3 单一数字评估指标

<>3.1.4 满足和优化指标

<>3.1.5 训练集、开发集、测试集的划分

<>3.1.6 开发集和测试集的大小

<>3.1.7 什么时候改变开发集/测试集和评估指标

<>3.1.8 为什么是人的表现

<>3.1.9 可避免偏差

<>3.1.10 理解人类的表现

<>3.1.11 超过人类的表现

<>3.1.12 改善你的模型表现

<>3.1.13 [实战编程] 大项目神经网络

<>3.2 实战项目二

<>3.2.1 误差分析

<>3.2.2 清除标注错误的数据

<>3.2.3 快速搭建你的第一个系统，并进行迭代

<>3.2.4 在不同的分布上的训练集和测试集

<>3.2.5 数据分布不匹配的偏差与方差分析

<>3.2.6 处理数据不匹配问题

<>3.2.7 迁移学习

<>3.2.8 多任务学习

<>3.2.9 什么是端到端的深度学习？

<>3.2.10 是否使用端到端的深度学习方法

<>3.2.11 [实战编程] 优化大项目

<>4 人脸识别

<>4.1 卷积神经网络

<>4.1.1 计算机视觉

<>4.1.2 边缘检测示例

<>4.1.3 更多边缘检测内容

<>4.1.4 Padding1.5 卷积步长

<>4.1.6 三维卷积

<>4.1.7 单层卷积网络

<>4.1.8 简单卷积网络示例

<>4.1.9 池化层

<>4.1.10 卷积神经网络示例

<>4.1.11 为什么使用卷积？

<>4.1.12 [实战编程] 构建简单的人脸识别程序

<>4.2 深度卷积网络

<>4.2.1 为什么要进行实例探究？

<>4.2.2 经典网络

<>4.2.3 残差网络

<>4.2.4 残差网络为什么有用？

<>4.2.5 网络中的网络以及 1×1 卷积

<>4.2.6 谷歌 Inception 网络简介

<>4.2.7 Inception 网络

<>4.2.8 使用开源的实现方案

<>4.2.9 迁移学习

<>4.2.10 数据扩充

<>4.2.11 计算机视觉现状

<>4.2.12 [实战编程] 优化人脸识别程序

<>4.3 目标检测

<>4.3.1 目标定位

<>4.3.2 特征点检测

<>4.3.3 目标检测

<>4.3.4 卷积的滑动窗口实现

<>4.3.5 Bounding Box预测

<>4.3.6 交并比

<>4.3.7 非极大值抑制

<>4.3.8 Anchor Boxes

<>4.3.9 YOLO 算法

<>4.3.10 候选区域

<>4.3.11 [实战编程] 构建商用人脸识别程序

<>4.4 油画风格转换

<>4.4.1 什么是转换？

<>4.4.2 One-Shot学习

<>4.4.3 Siamese 网络

<>4.4.4 Triplet 损失

<>4.4.5 风格验证与二分类

<>4.4.6 什么是神经风格转换？

<>4.4.7 什么是深度卷积网络？

<>4.4.8 代价函数

<>4.4.9 内容代价函数

<>4.4.10 风格代价函数

<>4.4.11 一维到三维推广

<>4.4.12 [实战编程] 构建风格转换程序

<>5 语音识别

<>5.1 循环序列模型

<>5.1.1 为什么选择序列模型？

<>5.1.2 数学符号

<>5.1.3 循环神经网络模型

<>5.1.4 通过时间的反向传播

<>5.1.5 不同类型的循环神经网络

<>5.1.6 语言模型和序列生成

<>5.1.7 对新序列采样

<>5.1.8 循环神经网络的梯度消失

<>5.1.9 GRU单元

<>5.1.10 长短期记忆

<>5.1.11 双向循环神经网络

<>5.1.12 深层循环神经网络

<>5.1.13 [实战编程]构建简单的语音识别程序

<>5.2 自然语言处理与词嵌入

<>5.2.1 词汇表征

<>5.2.2 使用词嵌入

<>5.2.3 词嵌入的特性

<>5.2.4 嵌入矩阵

<>5.2.5 学习词嵌入

<>5.2.6 Word2Vec2.7 负采样

<>5.2.8 GloVe 词向量

<>5.2.9 情绪分类

<>5.2.10 词嵌入除偏

<>5.2.11 [实战编程] 优化语音识别程序

<>5.3 序列模型和注意力机制

<>5.3.1 基础模型

<>5.3.2 选择最可能的句子

<>5.3.3 集束搜索

<>5.3.4 改进集束搜索

<>5.3.5 集束搜索的误差分析

<>5.3.6 Bleu 得分

<>5.3.7 注意力模型直观理解

<>5.3.8注意力模型

<>5.3.9语音识别

<>5.3.10触发字检测

<>5.3.11 [实战编程] 构建商用语音识别

<>6 生成对抗网络GANs

<>7 自动驾驶

<>8 强化学习

<>9 无监督学习

<>10 人工大脑

热门工具换一换