吴恩达 资源 | 吴恩达斯坦福CS230深度学习课程全套资料放出（附下载）

吴恩达先生在斯坦福大学开辟了CS230深度学习课程的资源。众所周知，吴恩达先生最出名的是他在coursera的机器学习课程。可以说很多刚开始涉足机器学习(ML)的白人学生都是被介绍到这个领域的。

机器学习课程在吴恩达开设后，最近发布的DeepLearning.ai课程也广受好评。没看完，看了一两门课，跟着作业。我有一种感觉，吴恩达先生是那种很会逐渐把知识传授给你的老师。同样强烈推荐Deeplearning.ai！

上次整理了一本关于吴恩达的新书，教你搭建一个机器学习项目:《机器学习向往》。想得到可以直接在微信官方账号后台回复号码“22”看看怎么得到！

最近，吴恩达在斯坦福大学开设了另一门学分课程，涉及深度学习的基础知识、神经网络的构建以及如何完成一个成功的机器学习项目。具体来说，它将涉及卷积网络、RNNs、、Adam、Dropout、BatchNorm、Xavier/He初始化等。，还提供医疗、自动驾驶、手语阅读、音乐创作和自然语言处理等多个领域的案例研究。

学习这门课程，不仅要掌握理论，还要了解在工业中的应用，尤其是用Python和TensorFlow实践思想的能力。文末关于本课程的全套PPT和学生项目、海报拿到材料的完整版本，在微信官方账号中回复飞马俱乐部后台的数字“27”，可以查看获取方式。记得按要求快速获取并保存！

课程助教

基本原理

学生应具备以下背景:

具备基本的计算机科学原理和技能，足以编写合理而非琐碎的计算机程序熟悉概率论（CS 109或者STATS 116）熟悉线性代数（Math 104，Math 113，或者CS205）

作业提交

在本课程中，学生可以使用Coursera平台进行测验和完成编程作业。每个小测验和编程作业都可以直接从网上提交，然后自动评分。课程强烈鼓励学生组成学习小组。学生可以分组讨论并完成编程作业和测验。但是，每个学生必须独立写下解决方案，不要参考联合讨论的笔记。换句话说，每个学生都必须对解决方案有很好的理解，才能自己重建它。此外，每个学生都应该提交自己的代码，并提到与他/她一起工作的任何人。

1.让我们来看看这门课的内容。

CS230像吴恩达在Coursera上的深度学习课程一样分为五个部分，分别是神经网络与深度学习、深度神经网络的推广、机器学习项目的策略、卷积神经网络和序列模型。

2.第一类

第一课介绍了神经网络和深度学习的基础。本文主要介绍课堂深度学习的直观概念，借助两个模块从零开始学习神经网络是什么。

3.第二类

第二课介绍深度学习模型的内部数学结构，从浅层网络逐渐过渡到深层网络，从而理解“深度”的意义。掌握了这些概念，就可以对如何从零开始构建深度学习网络有一个基本的思路。

然后，深度模型优化或参数调整技术，如初始化、正则化、数据集划分、Dropout、归一化、梯度检查等。，以及各种经典的学习率衰减方法，如动量算法、Adam等。

4.第三课

第三课介绍结构化机器学习项目。基础部分涉及超参数调整、批量标准化方法、深度学习框架(如TensorFlow、PyTorch)的应用。然后是机器学习策略，包括纵向参数调整、评价指标设置、数据集划分等。

这节课将介绍如何在实际案例中应用深度学习，普拉纳夫·拉杰普卡尔将教你如何在医学领域构建深度学习应用，即吴恩达团队开发的胸部x光项目。

5.第四道菜

第四课介绍卷积神经网络，主要用于处理空数据，如图像、视频等，因此在计算机视觉中应用广泛。课程的这一部分有期中考试，可以帮助你复习以前学过的东西。

CNN的基础部分涉及卷积运算、跨步、池化等，然后进一步介绍了几个经典的CNN架构，如LeNet-5、AlexNet、VGG、ResNet、盗梦空间等。之后，给出了CNN开发过程中的一些建议，包括迁移学习、数据增强等。最后，介绍了CNN领域的研究现状。

6.第五道菜

第五课介绍序列模型。序列模型主要用于处理序列数据，如音乐、语音、文本等。序列模型主要用循环神经网络来表示。本课将介绍RNN的基本结构、类型和计算过程，并以语言建模为典型案例进行分析。然后还有一些著名的RNN变种，如GRU、LSTM、双向RNN、深RNN等。

7.课程链接

https://web.stanford.edu/class/cs230/

数据下载

这门课的全套PPT和学生的项目和海报已经在线了！而且，已经下载给大家了。在微信官方账号【飞马俱乐部】的后台对话框中，回复号码“27”并按要求添加一个小助手，获取全套信息(不易组织、共享、共同成长)

数据收集法

关注公众账号【飞马俱乐部】

导航回复号[27]

您可以查看下载方法

▼

飞马俱乐部

微软大咖啡系列