吴恩达笔记合集

这是Coursera深度学习专项课程的第一门课，由DeepLearning.ai主办。课程由吴恩达主讲。

吴恩达机器学习笔记本： 阅读

深度学习专项课程笔记单页PDF： 阅读

序号	文章阅读
1.	神经网络与深度学习
2.	提升深度学习网络性能
3.	机器学习项目结构化
4.	卷积神经网络
5.	序列模型

序号	MOOC讲座链接
1.	吴恩达机器学习课程
	深度学习系列
1.	神经网络与深度学习
2.	提升深度神经网络：超参数调优、正则化与优化
3.	机器学习项目结构化
4.	卷积神经网络
5.	序列模型
6.	[**CS230：深度学习

1.神经网络与深度学习

• 本笔记简要介绍：
  • 什么是神经网络？它是如何工作的？
  • 使用神经网络的监督学习
  • 浅层神经网络设计
  • 深层神经网络
• 笔记本：
• 第1周 - 深度学习导论
• 第2周 - 神经网络基础
• 第3周 - 浅层神经网络
• 第4周 - 深层神经网络

2 提升深度学习网络性能

• 本笔记介绍：
  • 深度学习的实践方面
  • 优化算法
  • 超参数调优、批量归一化与编程框架
• 笔记本：
  • 第1周 - 深度学习的实践方面
    • 搭建你的机器学习应用
    • 对神经网络进行正则化
    • 设定你的优化问题
  • 第2周 - 优化算法
  • 第3周 - 超参数调优、批量归一化和编程框架

3.机器学习项目结构化

• 在本笔记中，你可以学习如何构建机器学习项目：
  • 为什么需要机器学习项目结构化？
  • 错误分析
• 笔记本：
  • 第1周 - 机器学习策略导论
    • 设定目标
    • 与人类水平性能对比
  • 第2周 - 机器学习策略（2）
    • 错误分析
    • 训练集与验证/测试集不匹配
    • 多任务学习
    • 端到端深度学习

4.卷积神经网络

• 图像与卷积核之间的矩阵乘法被称为卷积运算

• 在本笔记中，你可以了解CNN的简要架构：
  • CNN的基础知识
  • 深度卷积模型：案例研究
  • 目标检测
  • 特殊应用：人脸识别与神经风格迁移
• 笔记本：
  • 第1周 - 卷积神经网络的基础知识
  • 第2周 - 深度卷积模型：案例研究
    • 推荐阅读论文：
      • 使用深度卷积神经网络进行ImageNet分类
      • 用于大规模图像识别的超深卷积网络
  • 第3周 - 目标检测
    • 推荐阅读论文：
      • You Only Look Once: 统一、实时目标检测
      • YOLO
  • 第4周 - 特殊应用：人脸识别与神经风格迁移
    • 推荐阅读论文：
      • DeepFace (笔记本)
      • FaceNet
      • 神经风格迁移

5.序列模型

---

• 普通RNN

  

• LSTM

• GRU

• 在这一部分，你可以学习序列到序列的学习方法

  • 循环神经网络
  • 自然语言处理与词嵌入
  • 序列模型与注意力机制

• 笔记本：

  • 第1周 - 循环神经网络
  • 第2周 - 自然语言处理与词嵌入
  • 第3周 - 序列模型与注意力机制

感谢阅读……祝学习愉快……!!!

Andrew-NG-Notes 快速上手指南

Andrew-NG-Notes 是一个汇集了吴恩达（Andrew Ng）教授机器学习与深度学习专项课程笔记、代码实现及视频链接的开源资源库。本指南将帮助你快速访问并利用这些高质量的学习资料。

环境准备

本项目主要为文档（Markdown/PDF）和 Jupyter Notebook 代码示例，无需复杂的系统环境，但为了运行代码示例，建议准备以下环境：

• 操作系统：Windows / macOS / Linux
• 前置依赖：
  • Python 3.6+
  • Jupyter Notebook / JupyterLab
  • 核心数据科学库：numpy, pandas, matplotlib, tensorflow 或 pytorch (具体依赖视每个 Notebook 而定)
• 网络环境：由于原始资源托管在 GitHub 和 Coursera/YouTube，国内用户访问可能较慢，建议配置科学上网环境或使用 GitHub 加速服务。

安装步骤

1. 克隆仓库

打开终端，执行以下命令将项目克隆到本地：

git clone https://github.com/ashishpatel26/Andrew-NG-Notes.git
cd Andrew-NG-Notes

国内加速建议：如果直接克隆速度慢，可使用国内镜像源（如 Gitee 镜像，若有）或添加代理：

git clone https://ghproxy.com/https://github.com/ashishpatel26/Andrew-NG-Notes.git

2. 安装依赖

进入包含 Notebook 的目录（以第一周为例），安装所需 Python 包。通常项目根目录或各周目录下会有 requirements.txt，若无，可安装通用的深度学习基础包：

pip install numpy pandas matplotlib scikit-learn tensorflow jupyter

基本使用

方式一：在线阅读笔记（推荐）

如果你仅需阅读理论笔记，无需本地运行代码，可直接在浏览器中查看整理好的 Markdown 文件或 PDF：

1. 深度学习专项课程总览 (PDF): 访问 Deep learning by AndrewNG Tutorial Notes.pdf
2. 分章节笔记:
   • 神经网络与深度学习
   • 改善深层神经网络
   • 结构化机器学习项目
   • 卷积神经网络 (CNN)
   • 序列模型

方式二：本地运行代码示例

若要动手实践课程中的代码（如构建神经网络、CNN 图像识别等）：

1. 启动 Jupyter Notebook： 在项目根目录或特定的周次文件夹下运行：

   jupyter notebook
   

2. 选择实验文件： 在浏览器打开的界面中，导航至对应的周次文件夹。例如，运行“神经网络基础”示例：
   • 路径：Deep Learning Notebooks by Andrew NG/Neural Networks and Deep Learning/
   • 文件：Logistic Regression with a Neural Network mindset.ipynb
3. 执行代码： 点击单元格依次运行（Shift + Enter），观察输出结果和可视化图表。

方式三：配合视频学习

本仓库整理了配套的视频教程链接。你可以打开 README 中的 MOOC LECTURE LINK 表格，点击对应的 YouTube 播放列表（需网络支持），边看视频边对照本地的笔记和代码进行学习。