吳恩達老師對斯坦福CS230深度學習課程資源進行開放了，大家都知道吳恩達老師最出名的是他在coursera的機器學習課程，可以說讓很多剛開始接觸機器學習（ML）的小白入門該領域。
吳恩達在開設了機器學習課程之後，最近發布的DeepLearning.ai的課程也是廣受好評，我沒有看完，看了一兩門課程，作業也跟著去做，得到的感受就是吳恩達老師就是那種擅長將知識尋尋漸進的傳授給你的老師。Deeplearning.ai這個課程也非常推薦！
上次整理了關於吳恩達新書，教你構建機器學習項目：《Machine Learning Yearning》，大家想獲取的可以直接在公眾號後臺回複數字「22」查看獲取方式！
最近吳恩達在斯坦福又開了一門學分課，這門課涉及到深度學習的基礎知識、神經網絡構建，以及如何完成一個成功的機器學習項目。具體將涉及卷積網絡，RNNs，LSTM，Adam，Dropout，BatchNorm，Xavier / He初始化等，還提供醫療，自動駕駛，手語閱讀，音樂創作和自然語言處理等多領域的案例研究。
學習這門課程，不但要去掌握理論，還要了解在工業中的應用，尤其是擁有在Python和TensorFlow中實踐想法的能力。文末放出了關於這門課的全套PPT和學生project、poster獲取完整版資料在公眾號【飛馬會】後臺回複數字「27」，即可查看獲取方式，記得按要求快速獲取保存哦！
課程助教
學生應具備以下背景：
在這門課程中，學員能夠使用Coursera平臺做小測驗和完成編程作業。每一項測驗和編程作業都可以直接從線上提交，然後自動評分。s.課程強烈鼓勵學生組成學習小組。學生可以分組討論和完成編程作業和測驗。然而，每個學生必須獨立地寫下解決方案，而不參考聯合討論的筆記。換句話說，每個學生都必須很好地理解這個解決方案，以便自己重新構建它。此外，每個學生都應該提交自己的代碼，並提及與他/她合作的任何人。
CS230 與吳恩達在 Coursera 上的深度學習專項課程一樣分 5 部分，即神經網絡與深度學習、提升深度神經網絡、機器學習項目的策略、卷積神經網絡及序列模型。
在第一課中介紹了神經網絡和深度學習的基礎。主要在課堂內介紹了深度學習的直觀概念，並藉助兩個模塊從頭開始學習神經網絡到底是什麼。
第二課介紹深度學習模型的內部數學結構，從淺層網絡逐步過渡到深度網絡，理解「深度」的重要意義。掌握了這些概念之後，對於如何從零開始構建深度學習網絡，能有一個基本的思路。
然後是深度模型的優化或調參技巧，例如初始化、正則化、數據集劃分、Dropout、歸一化、梯度檢查等，和各種經典的學習率衰減方法，如動量算法、Adam 等。
第三課介紹結構化機器學習項目。基礎部分涉及超參數調整、批規一化方法等，以及深度學習框架（如 TensorFlow、PyTorch）的應用。然後是機器學習策略，包括垂直化調參、評估指標設置、數據集劃分等。
這一課會介紹如何在實際案例中應用深度學習，Pranav Rajpurkar 將教你構建醫療領域的深度學習應用，即吳恩達團隊開發的 Chest X-Rays 項目。
第四課介紹卷積神經網絡，卷積神經網絡主要用於處理空間型數據，如圖像、視頻等，因此在計算機視覺中應用甚廣。在這一部分課程期間有一個期中測驗，可以幫助你重溫之前學習過的內容。
CNN 的基礎部分涉及卷積運算、步幅、池化等，然後進一步介紹了幾個經典的 CNN 架構，如 LeNet-5、AlexNet、VGG、ResNet、Inception 等。之後給出了幾個 CNN 開發過程中的建議，涉及遷移學習、數據增強等。最後介紹了 CNN 領域的當前研究現狀。
第五課介紹序列模型。序列模型主要用於處理序列型數據，如音樂、語音、文本等。序列模型主要以循環神經網絡為代表，本課將介紹 RNN 的基礎結構、類型、計算過程等，並以語言建模作為典型案例進行分析。之後是一些著名的 RNN 變體，例如 GRU、LSTM、雙向 RNN、深度 RNN 等。
https://web.stanford.edu/class/cs230/
這門課的全套PPT和學生project、poster都已經上線啦！而且已經幫大家下載好了，在公眾號【飛馬會】後臺對話框內回複數字「27」按要求添加小助手後獲取全套資料哦（整理不易，一起分享，共同成長）
即可查看下載方式