https://blog.csdn.net/red_stone1/article/details/80207815
第一週：深度學習引言(Introduction to Deep Learning)
1.1 歡迎(Welcome)
1.2 什麼是神經網絡？(What is a Neural Network)
1.3 神經網絡的監督學習(Supervised Learning with Neural Networks)
1.4 爲什麼神經網絡會流行？(Why is Deep Learning taking off?)
1.5 關於本課程(About this Course)
1.6 課程資源(Course Resources)
1.7 Geoffery Hinton 專訪(Geoffery Hinton interview)
第二週：神經網絡的編程基礎(Basics of Neural Network programming)
2.1 二分類(Binary Classification)
2.2 邏輯迴歸(Logistic Regression)
2.3 邏輯迴歸的代價函數（Logistic Regression Cost Function）
2.4 梯度下降（Gradient Descent）
2.5 導數（Derivatives）
2.6 更多的導數例子（More Derivative Examples）
2.7 計算圖（Computation Graph）
2.8 計算圖導數（Derivatives with a Computation Graph）
2.9 邏輯迴歸的梯度下降（Logistic Regression Gradient Descent）
2.10 梯度下降的例子(Gradient Descent on m Examples)
2.11 向量化(Vectorization)
2.12 更多的向量化例子（More Examples of Vectorization）
2.13 向量化邏輯迴歸(Vectorizing Logistic Regression)
2.14 向量化邏輯迴歸的梯度計算（Vectorizing Logistic Regression's Gradient）
2.15 Python中的廣播機制（Broadcasting in Python）
2.16 關於 Python與numpy向量的使用（A note on python or numpy vectors）
2.17 Jupyter/iPython Notebooks快速入門（Quick tour of Jupyter/iPython Notebooks）
2.18 邏輯迴歸損失函數詳解（Explanation of logistic regression cost function）
第三週：淺層神經網絡(Shallow neural networks)
3.1 神經網絡概述（Neural Network Overview）
3.2 神經網絡的表示（Neural Network Representation）
3.3 計算一個神經網絡的輸出（Computing a Neural Network's output）
3.4 多樣本向量化（Vectorizing across multiple examples）
3.5 向量化實現的解釋（Justification for vectorized implementation）
3.6 激活函數（Activation functions）
3.7 爲什麼需要非線性激活函數？（why need a nonlinear activation function?）
3.8 激活函數的導數（Derivatives of activation functions）
3.9 神經網絡的梯度下降（Gradient descent for neural networks）
3.10（選修）直觀理解反向傳播（Backpropagation intuition）
3.11 隨機初始化（Random+Initialization）
第四周：深層神經網絡(Deep Neural Networks)
4.1 深層神經網絡（Deep L-layer neural network）
4.2 前向傳播和反向傳播（Forward and backward propagation）
4.3 深層網絡中的前向和反向傳播（Forward propagation in a Deep Network）
4.4 覈對矩陣的維數（Getting your matrix dimensions right）
4.5 爲什麼使用深層表示？（Why deep representations?）
4.6 搭建神經網絡塊（Building blocks of deep neural networks）
4.7 參數VS超參數（Parameters vs Hyperparameters）
4.8 深度學習和大腦的關聯性（What does this have to do with the brain?）
第二門課 改善深層神經網絡：超參數調試、正則化以及優化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization)
第一週：深度學習的實用層面(Practical aspects of Deep Learning)
1.1 訓練，驗證，測試集（Train / Dev / Test sets）
1.2 偏差，方差（Bias /Variance）
1.3 機器學習基礎（Basic Recipe for Machine Learning）
1.4 正則化（Regularization）
1.5 爲什麼正則化有利於預防過擬合呢？（Why regularization reduces overfitting?）
1.6 dropout 正則化（Dropout Regularization）
1.7 理解 dropout（Understanding Dropout）
1.8 其他正則化方法（Other regularization methods）
1.9 標準化輸入（Normalizing inputs）
1.10 梯度消失/梯度爆炸（Vanishing / Exploding gradients）
1.11 神經網絡的權重初始化（Weight Initialization for Deep NetworksVanishing /Exploding gradients）
1.12 梯度的數值逼近（Numerical approximation of gradients）
1.13 梯度檢驗（Gradient checking）
1.14 梯度檢驗應用的注意事項（Gradient Checking Implementation Notes）
第二週：優化算法 (Optimization algorithms)
2.1 Mini-batch 梯度下降（Mini-batch gradient descent）
2.2 理解Mini-batch 梯度下降（Understanding Mini-batch gradient descent）
2.3 指數加權平均（Exponentially weighted averages）
2.4 理解指數加權平均（Understanding Exponentially weighted averages）
2.5 指數加權平均的偏差修正（Bias correction in exponentially weighted averages）
2.6 momentum梯度下降（Gradient descent with momentum）
2.7 RMSprop——root mean square prop（RMSprop）
2.8 Adam優化算法（Adam optimization algorithm）
2.9 學習率衰減（Learning rate decay）
2.10 局部最優問題（The problem of local optima）
第三週超參數調試，batch正則化和程序框架（Hyperparameter tuning, Batch Normalization and Programming Frameworks)
3.1 調試處理（Tuning process）
3.2 爲超參數選擇和適合範圍（Using an appropriate scale to pick hyperparameters）
3.3 超參數訓練的實踐：Pandas vs. Caviar（Hyperparameters tuning in practice: Pandas vs. Caviar）
3.4 網絡中的正則化激活函數（Normalizing activations in a network）
3.5 將 Batch Norm擬合進神經網絡（Fitting Batch Norm into a neural network）
3.6 爲什麼Batch Norm奏效？（Why does Batch Norm work?）
3.7 測試時的Batch Norm（Batch Norm at test time）
3.8 Softmax 迴歸（Softmax Regression）
3.9 訓練一個Softmax 分類器（Training a softmax classifier）
3.10 深度學習框架（Deep learning frameworks）
3.11 TensorFlow（TensorFlow）
第三門課 結構化機器學習項目 (Structuring Machine Learning Projects)
第一週：機器學習策略（1）(ML Strategy (1))
1.1 爲什麼是ML策略？ (Why ML Strategy)
1.2 正交化(Orthogonalization)
1.3 單一數字評估指標(Single number evaluation metric)
1.4 滿足和優化指標 (Satisficing and Optimizing metric)
1.5 訓練集、開發集、測試集的劃分(Train/dev/test distributions)
1.6 開發集和測試集的大小 (Size of the dev and test sets)
1.7 什麼時候改變開發集/測試集和評估指標(When to change dev/test sets and metrics)
1.8 爲什麼是人的表現 (Why human-level performance?)
1.9 可避免偏差(Avoidable bias)
1.10 理解人類的表現 (Understanding human-level performance)
1.11 超過人類的表現(Surpassing human-level performance)
1.12 改善你的模型表現 (Improving your model performance)
第二週：機器學習策略（2）(ML Strategy (2))
2.1 誤差分析 (Carrying out error analysis)
2.2 清除標註錯誤的數據(Cleaning up incorrectly labeled data)
2.3 快速搭建你的第一個系統，並進行迭代(Build your first system quickly, then iterate)
2.4 在不同的分佈上的訓練集和測試集 (Training and testing on different distributions)
2.5 數據分佈不匹配的偏差與方差分析 (Bias and Variance with mismatched data distributions)
2.6 處理數據不匹配問題(Addressing data mismatch)
2.7 遷移學習 (Transfer learning)
2.8 多任務學習(Multi-task learning)
2.9 什麼是端到端的深度學習？ (What is end-to-end deep learning?)
2.10 是否使用端到端的深度學習方法 (Whether to use end-to-end deep learning)
第四門課 卷積神經網絡（Convolutional Neural Networks）
第一週 卷積神經網絡(Foundations of Convolutional Neural Networks)
2.1.1 計算機視覺（Computer vision）
1.2 邊緣檢測示例（Edge detection example）
1.3 更多邊緣檢測內容（More edge detection）
1.4 Padding
1.5 卷積步長（Strided convolutions）
1.6 三維卷積（Convolutions over volumes）
1.7 單層卷積網絡（One layer of a convolutional network）
1.8 簡單卷積網絡示例（A simple convolution network example）
1.9 池化層（Pooling layers）
1.10 卷積神經網絡示例（Convolutional neural network example）
1.11 爲什麼使用卷積？（Why convolutions?）
第二週 深度卷積網絡：實例探究(Deep convolutional models: case studies)
2.1 爲什麼要進行實例探究？（Why look at case studies?）
2.2 經典網絡（Classic networks）
2.3 殘差網絡（Residual Networks (ResNets)）
2.4 殘差網絡爲什麼有用？（Why ResNets work?）
2.5 網絡中的網絡以及 1×1 卷積（Network in Network and 1×1 convolutions）
2.6 谷歌 Inception 網絡簡介（Inception network motivation）
2.7 Inception 網絡（Inception network）
2.8 使用開源的實現方案（Using open-source implementations）
2.9 遷移學習（Transfer Learning）
2.10 數據擴充（Data augmentation）
2.11 計算機視覺現狀（The state of computer vision）
3.1 目標定位（Object localization）
3.2 特徵點檢測（Landmark detection）
3.3 目標檢測（Object detection）
3.4 卷積的滑動窗口實現（Convolutional implementation of sliding windows）
3.5 Bounding Box預測（Bounding box predictions）
3.6 交併比（Intersection over union）
3.7 非極大值抑制（Non-max suppression）
3.8 Anchor Boxes
3.9 YOLO 算法（Putting it together: YOLO algorithm）
3.10 候選區域（選修）（Region proposals (Optional)）
第四周 特殊應用：人臉識別和神經風格轉換（Special applications: Face recognition &Neural style transfer）
4.1 什麼是人臉識別？(What is face recognition?)
4.2 One-Shot學習（One-shot learning）
4.3 Siamese 網絡（Siamese network）
4.4 Triplet 損失（Triplet 損失）
4.5 面部驗證與二分類（Face verification and binary classification）
4.6 什麼是神經風格轉換？（What is neural style transfer?）
4.7 什麼是深度卷積網絡？（What are deep ConvNets learning?）
4.8 代價函數（Cost function）
4.9 內容代價函數（Content cost function）
4.10 風格代價函數（Style cost function）
4.11 一維到三維推廣（1D and 3D generalizations of models）
第五門課 序列模型(Sequence Models)
第一週 循環序列模型（Recurrent Neural Networks）
1.1 爲什麼選擇序列模型？（Why Sequence Models?）
1.2 數學符號（Notation）
1.3 循環神經網絡模型（Recurrent Neural Network Model）
1.4 通過時間的反向傳播（Backpropagation through time）
1.5 不同類型的循環神經網絡（Different types of RNNs）
1.6 語言模型和序列生成（Language model and sequence generation）
1.7 對新序列採樣（Sampling novel sequences）
1.8 循環神經網絡的梯度消失（Vanishing gradients with RNNs）
1.9 GRU單元（Gated Recurrent Unit（GRU））
1.10 長短期記憶（LSTM（long short term memory）unit）
1.11 雙向循環神經網絡（Bidirectional RNN）
1.12 深層循環神經網絡（Deep RNNs）
第二週 自然語言處理與詞嵌入（Natural Language Processing and Word Embeddings）
2.1 詞彙表徵（Word Representation）
2.2 使用詞嵌入（Using Word Embeddings）
2.3 詞嵌入的特性（Properties of Word Embeddings）
2.4 嵌入矩陣（Embedding Matrix）
2.5 學習詞嵌入（Learning Word Embeddings）
2.6 Word2Vec
2.7 負採樣（Negative Sampling）
2.8 GloVe 詞向量（GloVe Word Vectors）
2.9 情緒分類（Sentiment Classification）
2.10 詞嵌入除偏（Debiasing Word Embeddings）
第三週 序列模型和注意力機制（Sequence models & Attention mechanism
3.1 基礎模型（Basic Models）
3.2 選擇最可能的句子（Picking the most likely sentence）
3.3 集束搜索（Beam Search）
3.4 改進集束搜索（Refinements to Beam Search）
3.5 集束搜索的誤差分析（Error analysis in beam search）
3.6 Bleu 得分（選修）（Bleu Score (optional)）
3.7 注意力模型直觀理解（Attention Model Intuition）
3.8注意力模型（Attention Model）
3.9語音識別（Speech recognition）
3.10觸發字檢測（Trigger Word Detection）
3.11結論和致謝（Conclusion and thank you）
吳恩達採訪 Geoffery Hinton
吳恩達採訪 Ian Goodfellow
吳恩達採訪 Ruslan Salakhutdinov
吳恩達採訪 Yoshua Bengio
吳恩達採訪 林元慶
吳恩達採訪 Pieter Abbeel
吳恩達採訪 Andrej Karpathy
附件