coursera-deep-learning
coursera-deep-learning 是一个专为吴恩达教授（Andrew Ng）在 deeplearning.ai 推出的深度学习专项课程打造的开源学习资源库。它完整收录了课程中所有周次的测验答案与编程作业代码，涵盖从神经网络基础、深层网络构建，到超参数调优、正则化、优化算法及 TensorFlow 实战等核心内容。
对于正在修读该系列课程的学习者而言，coursera-deep-learning 有效解决了自学过程中遇到的代码调试困难和思路卡点问题。当用户在实现复杂的反向传播或梯度检查时遇到瓶颈，可以参考这里的标准实现来验证逻辑；在完成测验后，也能通过对照答案加深对理论知识的理解。需要强调的是，创建者初衷是将其作为学术参考与交流媒介，旨在帮助学习者更好地掌握知识，而非鼓励直接抄袭。
这款资源库特别适合计算机专业的学生、AI 领域的初学者以及希望系统夯实深度学习基础的开发者使用。其独特的价值在于提供了“手把手”式的步骤化代码实现（Step by Step），将抽象的数学公式转化为可运行的 Python 代码，极大地降低了入门门槛。无论是为了完成课程作业，还是作为未来项目开发的代码模板，coursera-deep-learning 都是一位忠实且专业的“伴读助手”，陪伴你轻松跨越深度学习的学习曲线。
使用场景
一名刚转行深度学习的数据分析师正在自学吴恩达教授的 Coursera 专项课程，试图通过编程作业掌握神经网络构建与超参数调优的核心技能。
没有 coursera-deep-learning 时
- 在编写“从零构建深度神经网络”作业时，因反向传播公式推导复杂，代码调试陷入死循环，耗费数天仍无法定位梯度计算错误。
- 面对模型过拟合问题，不清楚如何正确实施 L2 正则化或 Dropout，反复试错导致学习进度严重滞后，挫败感强烈。
- 遇到测验中的概念陷阱（如优化算法选择）时缺乏即时参考，只能盲目搜索碎片化信息，难以验证自己理解的正确性。
- 担心因一个小 bug 卡住而放弃整个课程，甚至产生抄袭完整代码的冲动，违背了初衷却无可奈何。
使用 coursera-deep-learning 后
- 遇到梯度检查报错时，直接对照仓库中"Gradient Checking"的实现逻辑，迅速发现维度不匹配问题，将调试时间从几天缩短至半小时。
- 在调优环节参考"Regularization"和"Optimization"的标准解法，清晰理解了不同正则化手段的代码落地方式，成功将测试集准确率提升至预期水平。
- 完成编程任务后，利用提供的 Quiz 解析作为“标准答案”进行自测，快速纠正了对动量梯度下降等概念的误解，巩固了理论基础。
- 将其作为严格的“参考指南”而非复制源，在确保独立思考的前提下高效扫清障碍，保持了学习热情并顺利结课。
coursera-deep-learning 的核心价值在于为自学者提供了一套权威的“纠错地图”，让学习者在独立探索与获得关键指引之间找到最佳平衡点。
运行环境要求
未说明
未说明
快速开始
由deeplearning.ai提供的系列在线课程。我要衷心感谢吴恩达教授及其团队，他们将知识无私地分享给大众，并提供了非常优秀的课程。
提醒
我创建这个仓库的初衷纯粹是为了学术用途（以备将来参考）。如果你能将其作为参考资料，我将不胜欣喜；同时我也很乐意与你讨论课程相关的问题，甚至是更深入的深度学习技术。
请仅将其作为参考使用。测验和作业相对容易解答，希望你能享受这些课程的学习过程。
1. 神经网络与深度学习
第一周
第二周
第三周
2. 改进深度神经网络——超参数调优、正则化与优化
3. 机器学习项目结构设计
4. 卷积神经网络
第一周
第二周
第三周
第四周
5. 序列模型
第1周
第2周
第3周
作者
于海彬 / @HeroKillerEver
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。