【吴恩达深度学习笔记】是一份针对吴恩达教授在Coursera平台上的深度学习课程的详尽笔记，旨在帮助已有一定编程基础和机器学习知识的计算机专业人士深入理解和应用深度学习技术。该课程分为5个部分，涵盖了深度学习的基础理论、实践技巧以及多种深度学习模型，如卷积神经网络（CNN）、递归神经网络（RNN）和长短期记忆网络（LSTM）等。 课程的目标是让学生掌握深度学习的核心概念，通过实际项目将所学知识应用于解决现实问题，如医疗诊断、自动驾驶和自然语言处理等前沿领域。课程语言是Python，使用的开发框架是Google的TensorFlow，由吴恩达本人亲自授课，两位助教来自斯坦福大学计算机科学系。完成课程后，学生将获得Coursera颁发的深度学习专业证书。 笔记由黄海广博士组织翻译和整理，旨在弥补Coursera官方字幕的不足，方便学员学习。团队不断更新和完善笔记内容，以促进人工智能在国内的普及，且确保不损害原课程和吴恩达的商业利益。 课程强调了深度学习的重要性，将其比喻为现代的电力革命，认为AI将在各行各业发挥关键作用。吴恩达希望通过这些课程，培养全球范围内的AI人才，共同利用深度学习解决全球性的挑战，提升人类生活质量。 课程内容包括但不限于： 1. 深度学习基础：介绍深度学习的基本原理，如何构建神经网络。 2. 卷积神经网络（CNN）：用于图像识别和处理的网络结构。 3. 递归神经网络（RNN）和长短期记忆（LSTM）：适用于序列数据处理，如自然语言处理。 4. 实践项目：包括医疗影像分析、自动驾驶技术、音乐生成等。 5. 深度学习工具和技巧：如优化算法Adam、Dropout正则化、BatchNorm以及权重初始化策略等。 此外，课程还邀请了行业内的深度学习专家分享见解，提供与行业实践相结合的视角，帮助学生将理论知识转化为实际能力。通过这门课程，学生不仅能掌握深度学习的理论知识，还能获得在实际工作中应用深度学习技术的实践经验。

斯坦福大学机器学习教程中文以及深度学习笔记;方便要深入学习原理的童鞋打印下载

本文档是针对吴恩达老师深度学习课程(deeplearning.ai)，由黄博士整理。

资源中包含三个PDF，分别是大牛整理的吴恩达机器学习视频课笔记完整版、深度学习笔记最新版以及吴恩达新书（Machine Learning Yearning）。三本书理论与实践结合，学习了机器学习算法后，Machine Learning Yearning将展示如何构建机器学习项目，使机器学习算法发挥作用。配合网易云吴恩达老师的视频一起食用效果更佳呦！

李沐老师b站课程的笔记，

isodata的matlab代码博客 ML-DL Machine learning and deep learning notes, practice, formula derivation. 这个项目是我的学习笔记，内容还在完善中。如果遇到图片无法显示，可以下载后查看。 目录 数学基础 机器学习 该部分以《视觉机器学习二20讲》为主线，扩展内容增加公式推导步骤。 K-means K-means++ 算法 ISODATA 算法 Kernel K-means 二分K-means聚类 回归学习 线性回归模型 多项式回归模型 主成分回归模型 自回归模型 核回归模型 决策树学习 ID3 算法 C4.5 算法 SLIQ 算法 SPRINT 算法 贝叶斯学习 朴素贝叶斯模型 层级贝叶斯模型 增广贝叶斯学习模型 基于Boosting技术的朴素贝叶斯模型 贝叶斯神经网络模型 EM算法 EM算法的快速计算 未知分布函数$P_i(y_i)$的选取 EM算法收敛性的改进 梯度提升算法 Boosting Adaboost SVM 软间隔 硬间隔 核技巧 SMO算法 深度学习 反向传播 正则化 优化求解算法 卷

Deeplearning深度学习笔记v5.53 吴恩达机器学习笔记更新--在这 5 堂课中，学生将可以学习到深度学习的基础，学会构建神经网络，并用在包括吴 恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization 对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学 习常用的网络结构、工具和知识都有涉及。

77 深度学习大牛的《深度学习》笔记，Deep Learning速成教程.docx

猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT+大作业文档。 由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。 该数据集包含25000张猫狗图像(每个类别各有12500张)。CNN是用这个集合里面的数据进行训练，CNN基于验证集上的性能来调节模型配置（超参数：层数，每层神经元数量等）图像数据输入卷积神经网络之前，应该将数据格式化为经过预处理的浮点数张量。 需要对图像进行向量化处理，同时对标签也要进行向量化处理。 代码位于 5.2_小型数据建立卷积神经网络_猫狗图像分类2.ipynb 中。 开箱即用，方便，内附使用教程

Deeplearning吴恩达深度学习笔记