2024吴恩达资料|吴恩达深度学习及资料

2024吴恩达资料

吴恩达深度学习及资料

吴恩达机器学习训练书籍

吴恩达大模型

A最新版 吴恩达机器学习Deeplearning.ai

AI Python for Beginners

2014版 吴恩达机器学习全套资料

大模型开发手册.pdf 16.2MB

吴恩达深度学习课程Deeplearning.ai

99. 2.4 在不同的划分上进行训练并测试.mp4 22.5MB

98. 2.3 快速搭建你的第一个系统并进行迭代.mp4 12.6MB

97. 2.2 清除标注错误的数据.mp4 28.5MB

96. 2.1 进行误差分析.mp4 22.2MB

95. 1.12 改善你的模型的表现.mp4 67.6MB

94. 1.11 超过人的表现.mp4 13.2MB

93. 1.10 理解人的表现.mp4 23.6MB

92. 1.9 可避免偏差.mp4 14.6MB

91. 1.8 为什么是人的表现.mp4 12.0MB

90. 1.7 什么时候该改变开发测试集和指标.mp4 23.2MB

9. 2.3 logistic 回归损失函数.mp4 17.1MB

89. 1.6 开发集合测试集的大小.mp4 11.8MB

88. 1.5 训练开发测试集划分.mp4 13.7MB

87. 1.4 满足和优化指标.mp4 14.7MB

86. 1.3 单一数字评估指标.mp4 15.1MB

85. 1.2 正交化.mp4 22.6MB

84. 1.1 为什么是 ML 策略.mp4 7.5MB

83. 2. 吴恩达采访 林元庆.mp4 61.8MB

82. 1. 吴恩达采访 Yoshua Bengio.mp4 69.8MB

81. 3.11 TensorFlow.mp4 35.7MB

80. 3.10 深度学习框架.mp4 9.7MB

8. 2.2 logistic 回归.mp4 12.5MB

79. 3.9 训练一个 Softmax 分类器.mp4 23.3MB

78. 3.8 Softmax 回归.mp4 27.3MB

77. 3.7 测试时的 Batch Norm.mp4 12.0MB

76. 3.6 Batch Norm 为什么奏效？.mp4 26.2MB

75. 3.5 将 Batch Norm 拟合进神经网络.mp4 27.6MB

74. 3.4 正则化网络的激活函数.mp4 18.5MB

73. 3.3 超参数训练的实践Pandas VS Caviar.mp4 14.3MB

72. 3.2 为超参数选择合适的范围.mp4 18.4MB

71. 3.1 调试处理.mp4 14.9MB

70. 2.10 局部最优的问题.mp4 11.2MB

7. 2.1 二分分类.mp4 17.5MB

69. 2.9 学习率衰减.mp4 14.1MB

68. 2.8 Adam 优化算法.mp4 14.9MB

67. 2.7 RMSprop.mp4 16.0MB

66. 2.6 动量梯度下降法.mp4 21.2MB

65. 2.5 指数加权平均的偏差修正.mp4 8.9MB

64. 2.4 理解指数加权平均.mp4 67.7MB

63. 2.3 指数加权平均.mp4 12.4MB

62. 2.2 理解 mini-batch 梯度下降法.mp4 17.2MB

61. 2.1 Mini-batch 梯度下降法.mp4 25.8MB

60. 1.14 关于梯度检验实现的注记.mp4 11.1MB

6. 1.6 课程资源.mp4 4.4MB

59. 1.13 梯度检验.mp4 13.7MB

58. 1.12 梯度的数值逼近.mp4 13.7MB

57. 1.11 神经网络的权重初始化.mp4 13.7MB

56. 1.10 梯度消失与梯度爆炸.mp4 12.8MB

55. 1.9 归一化输入.mp4 11.5MB

54. 1.8 其他正则化方法.mp4 17.5MB

53. 1.7 理解 Dropout.mp4 14.8MB

52. 1.6 Dropout 正则化.mp4 21.8MB

51. 1.5 为什么正则化可以减少过拟合？.mp4 15.6MB

50. 1.4 正则化.mp4 22.6MB

5. 1.5 关于这门课.mp4 5.2MB

49. 1.3 机器学习基础.mp4 13.3MB

48. 1.2 偏差方差.mp4 18.3MB

47. 1.1 训练开发测试集.mp4 26.9MB

46. 3. 吴恩达采访 Ian Goodfellow.mp4 52.6MB

45. 2. 吴恩达采访 Pieter Abbeel.mp4 77.0MB

44. 1. 吴恩达采访 Geoffrey Hinton.mp4 130.7MB

43. 4.8 这和大脑有什么关系？.mp4 6.9MB

42. 4.7 参数 VS 超参数.mp4 15.2MB

41. 4.6 搭建深层神经网络块.mp4 17.9MB

40. 4.5 为什么使用深层表示.mp4 22.1MB

4. 1.4 为什么深度学习会兴起？.mp4 21.7MB

39. 4.4 核对矩阵的维数.mp4 25.2MB

38. 4.3 深层网络中的前向传播.mp4 15.1MB

37. 4.2 前向和反向传播.mp4 22.5MB

36. 4.1 深层神经网络.mp4 12.2MB

35. 3.11 随机初始化.mp4 16.6MB

34. 3.10 选修直观理解反向传播.mp4 34.7MB

33. 3.9 神经网络的梯度下降法.mp4 21.9MB

32. 3.8 激活函数的导数.mp4 16.6MB

31. 3.7 为什么需要非线性激活函数？.mp4 11.7MB

30. 3.6 激活函数.mp4 24.8MB

3. 1.3 用神经网络进行监督学习.mp4 17.7MB

29. 3.5 向量化实现的解释.mp4 15.8MB

28. 3.4 多个样本的向量化.mp4 21.3MB

27. 3.3 计算神经网络的输出.mp4 22.4MB

26. 3.2 神经网络表示.mp4 10.9MB

25. 3.1 神经网络概览.mp4 9.2MB

24. 2.18 选修logistic 损失函数的解释.mp4 15.1MB

23. 2.17 Jupyter ipython 笔记本的快速指南.mp4 10.3MB

22. 2.16 关于 python numpy 向量的说明.mp4 14.3MB

21. 2.15 Python 中的广播.mp4 23.4MB

20. 2.14 向量化 logistic 回归的梯度输出.mp4 22.6MB

2. 1.2 什么是神经网络.mp4 16.6MB

19. 2.13 向量化 logistic 回归.mp4 15.9MB

183. 3.11 结论和致谢.mp4 5.8MB

182. 3.10 触发字检测.mp4 10.6MB

181. 3.9 语音辨识.mp4 18.5MB

180. 3.8 注意力模型.mp4 27.1MB

18. 2.12 向量化的更多例子.mp4 13.2MB

179. 3.7 注意力模型直观理解.mp4 21.9MB

178. 3.6 Bleu 得分选修.mp4 36.4MB

177. 3.5 定向搜索的误差分析.mp4 22.0MB

176. 3.4 改进定向搜索.mp4 25.3MB

175. 3.3 定向搜索.mp4 26.2MB

吴恩达深度学习作业.zip 1.7GB

深度学习作业quiz-已完成.pdf 2.4MB

深度学习作业quiz-空白.pdf 2.4MB

Deeplearning深度学习笔记v5.6.pdf 24.6MB