站内时间: 2025-01-06
条目: 2024吴恩达资料 / 吴恩达深度学习及资料 / 吴恩达机器学习训练书籍 / 吴恩达大模型 / A最新版 吴恩达机器学习Deeplearning.ai / AI Python for Beginners / 2014版 吴恩达机器学习全套资料 / 大模型开发手册.pdf / 吴恩达深度学习课程Deeplearning.ai / 99. 2.4 在不同的划分上进行训练并测试.mp4 / 98. 2.3 快速搭建你的第一个系统并进行迭代.mp4 / 97. 2.2 清除标注错误的数据.mp4 / 96. 2.1 进行误差分析.mp4 / 95. 1.12 改善你的模型的表现.mp4 / 94. 1.11 超过人的表现.mp4 / 93. 1.10 理解人的表现.mp4 / 92. 1.9 可避免偏差.mp4 / 91. 1.8 为什么是人的表现.mp4 / 90. 1.7 什么时候该改变开发测试集和指标.mp4 / 9. 2.3 logistic 回归损失函数.mp4 / 89. 1.6 开发集合测试集的大小.mp4 / 88. 1.5 训练开发测试集划分.mp4 / 87. 1.4 满足和优化指标.mp4 / 86. 1.3 单一数字评估指标.mp4 / 85. 1.2 正交化.mp4 / 84. 1.1 为什么是 ML 策略.mp4 / 83. 2. 吴恩达采访 林元庆.mp4 / 82. 1. 吴恩达采访 Yoshua Bengio.mp4 / 81. 3.11 TensorFlow.mp4 / 80. 3.10 深度学习框架.mp4 / 8. 2.2 logistic 回归.mp4 / 79. 3.9 训练一个 Softmax 分类器.mp4 / 78. 3.8 Softmax 回归.mp4 / 77. 3.7 测试时的 Batch Norm.mp4 / 76. 3.6 Batch Norm 为什么奏效？.mp4 / 75. 3.5 将 Batch Norm 拟合进神经网络.mp4 / 74. 3.4 正则化网络的激活函数.mp4 / 73. 3.3 超参数训练的实践Pandas VS Caviar.mp4 / 72. 3.2 为超参数选择合适的范围.mp4 / 71. 3.1 调试处理.mp4 / 70. 2.10 局部最优的问题.mp4 / 7. 2.1 二分分类.mp4 / 69. 2.9 学习率衰减.mp4 / 68. 2.8 Adam 优化算法.mp4 / 67. 2.7 RMSprop.mp4 / 66. 2.6 动量梯度下降法.mp4 / 65. 2.5 指数加权平均的偏差修正.mp4 / 64. 2.4 理解指数加权平均.mp4 / 63. 2.3 指数加权平均.mp4 / 62. 2.2 理解 mini-batch 梯度下降法.mp4 / 61. 2.1 Mini-batch 梯度下降法.mp4 / 60. 1.14 关于梯度检验实现的注记.mp4 / 6. 1.6 课程资源.mp4 / 59. 1.13 梯度检验.mp4 / 58. 1.12 梯度的数值逼近.mp4 / 57. 1.11 神经网络的权重初始化.mp4 / 56. 1.10 梯度消失与梯度爆炸.mp4 / 55. 1.9 归一化输入.mp4 / 54. 1.8 其他正则化方法.mp4 / 53. 1.7 理解 Dropout.mp4 / 52. 1.6 Dropout 正则化.mp4 / 51. 1.5 为什么正则化可以减少过拟合？.mp4 / 50. 1.4 正则化.mp4 / 5. 1.5 关于这门课.mp4 / 49. 1.3 机器学习基础.mp4 / 48. 1.2 偏差方差.mp4 / 47. 1.1 训练开发测试集.mp4 / 46. 3. 吴恩达采访 Ian Goodfellow.mp4 / 45. 2. 吴恩达采访 Pieter Abbeel.mp4 / 44. 1. 吴恩达采访 Geoffrey Hinton.mp4 / 43. 4.8 这和大脑有什么关系？.mp4 / 42. 4.7 参数 VS 超参数.mp4 / 41. 4.6 搭建深层神经网络块.mp4 / 40. 4.5 为什么使用深层表示.mp4 / 4. 1.4 为什么深度学习会兴起？.mp4 / 39. 4.4 核对矩阵的维数.mp4 / 38. 4.3 深层网络中的前向传播.mp4 / 37. 4.2 前向和反向传播.mp4 / 36. 4.1 深层神经网络.mp4 / 35. 3.11 随机初始化.mp4 / 34. 3.10 选修直观理解反向传播.mp4 / 33. 3.9 神经网络的梯度下降法.mp4 / 32. 3.8 激活函数的导数.mp4 / 31. 3.7 为什么需要非线性激活函数？.mp4 / 30. 3.6 激活函数.mp4 / 3. 1.3 用神经网络进行监督学习.mp4 / 29. 3.5 向量化实现的解释.mp4 / 28. 3.4 多个样本的向量化.mp4 / 27. 3.3 计算神经网络的输出.mp4 / 26. 3.2 神经网络表示.mp4 / 25. 3.1 神经网络概览.mp4 / 24. 2.18 选修logistic 损失函数的解释.mp4 / 23. 2.17 Jupyter ipython 笔记本的快速指南.mp4 / 22. 2.16 关于 python numpy 向量的说明.mp4 / 21. 2.15 Python 中的广播.mp4 / 20. 2.14 向量化 logistic 回归的梯度输出.mp4 / 2. 1.2 什么是神经网络.mp4 / 19. 2.13 向量化 logistic 回归.mp4 / 183. 3.11 结论和致谢.mp4 / 182. 3.10 触发字检测.mp4 / 181. 3.9 语音辨识.mp4 / 180. 3.8 注意力模型.mp4 / 18. 2.12 向量化的更多例子.mp4 / 179. 3.7 注意力模型直观理解.mp4 / 178. 3.6 Bleu 得分选修.mp4 / 177. 3.5 定向搜索的误差分析.mp4 / 176. 3.4 改进定向搜索.mp4 / 175. 3.3 定向搜索.mp4 / 吴恩达深度学习作业.zip / 深度学习作业quiz-已完成.pdf / 深度学习作业quiz-空白.pdf / Deeplearning深度学习笔记v5.6.pdf
📂 资源目录
2024吴恩达资料 吴恩达深度学习及资料 吴恩达机器学习训练书籍 吴恩达大模型 A最新版 吴恩达机器学习Deeplearning.ai AI Python for Beginners 2014版 吴恩达机器学习全套资料 大模型开发手册.pdf 吴恩达深度学习课程Deeplearning.ai 99. 2.4 在不同的划分上进行训练并测试.mp4 98. 2.3 快速搭建你的第一个系统并进行迭代.mp4 97. 2.2 清除标注错误的数据.mp4 96. 2.1 进行误差分析.mp4 95. 1.12 改善你的模型的表现.mp4 94. 1.11 超过人的表现.mp4 93. 1.10 理解人的表现.mp4 92. 1.9 可避免偏差.mp4 91. 1.8 为什么是人的表现.mp4 90. 1.7 什么时候该改变开发测试集和指标.mp4 9. 2.3 logistic 回归损失函数.mp4 89. 1.6 开发集合测试集的大小.mp4 88. 1.5 训练开发测试集划分.mp4 87. 1.4 满足和优化指标.mp4 86. 1.3 单一数字评估指标.mp4 85. 1.2 正交化.mp4 84. 1.1 为什么是 ML 策略.mp4 83. 2. 吴恩达采访 林元庆.mp4 82. 1. 吴恩达采访 Yoshua Bengio.mp4 81. 3.11 TensorFlow.mp4 80. 3.10 深度学习框架.mp4 8. 2.2 logistic 回归.mp4 79. 3.9 训练一个 Softmax 分类器.mp4 78. 3.8 Softmax 回归.mp4 77. 3.7 测试时的 Batch Norm.mp4 76. 3.6 Batch Norm 为什么奏效？.mp4 75. 3.5 将 Batch Norm 拟合进神经网络.mp4 74. 3.4 正则化网络的激活函数.mp4 73. 3.3 超参数训练的实践Pandas VS Caviar.mp4 72. 3.2 为超参数选择合适的范围.mp4 71. 3.1 调试处理.mp4 70. 2.10 局部最优的问题.mp4 7. 2.1 二分分类.mp4 69. 2.9 学习率衰减.mp4 68. 2.8 Adam 优化算法.mp4 67. 2.7 RMSprop.mp4 66. 2.6 动量梯度下降法.mp4 65. 2.5 指数加权平均的偏差修正.mp4 64. 2.4 理解指数加权平均.mp4 63. 2.3 指数加权平均.mp4 62. 2.2 理解 mini-batch 梯度下降法.mp4 61. 2.1 Mini-batch 梯度下降法.mp4 60. 1.14 关于梯度检验实现的注记.mp4 6. 1.6 课程资源.mp4 59. 1.13 梯度检验.mp4 58. 1.12 梯度的数值逼近.mp4 57. 1.11 神经网络的权重初始化.mp4 56. 1.10 梯度消失与梯度爆炸.mp4 55. 1.9 归一化输入.mp4 54. 1.8 其他正则化方法.mp4 53. 1.7 理解 Dropout.mp4 52. 1.6 Dropout 正则化.mp4 51. 1.5 为什么正则化可以减少过拟合？.mp4 50. 1.4 正则化.mp4 5. 1.5 关于这门课.mp4 49. 1.3 机器学习基础.mp4 48. 1.2 偏差方差.mp4 47. 1.1 训练开发测试集.mp4 46. 3. 吴恩达采访 Ian Goodfellow.mp4 45. 2. 吴恩达采访 Pieter Abbeel.mp4 44. 1. 吴恩达采访 Geoffrey Hinton.mp4 43. 4.8 这和大脑有什么关系？.mp4 42. 4.7 参数 VS 超参数.mp4 41. 4.6 搭建深层神经网络块.mp4 40. 4.5 为什么使用深层表示.mp4 4. 1.4 为什么深度学习会兴起？.mp4 39. 4.4 核对矩阵的维数.mp4 38. 4.3 深层网络中的前向传播.mp4 37. 4.2 前向和反向传播.mp4 36. 4.1 深层神经网络.mp4 35. 3.11 随机初始化.mp4 34. 3.10 选修直观理解反向传播.mp4 33. 3.9 神经网络的梯度下降法.mp4 32. 3.8 激活函数的导数.mp4 31. 3.7 为什么需要非线性激活函数？.mp4 30. 3.6 激活函数.mp4 3. 1.3 用神经网络进行监督学习.mp4 29. 3.5 向量化实现的解释.mp4 28. 3.4 多个样本的向量化.mp4 27. 3.3 计算神经网络的输出.mp4 26. 3.2 神经网络表示.mp4 25. 3.1 神经网络概览.mp4 24. 2.18 选修logistic 损失函数的解释.mp4 23. 2.17 Jupyter ipython 笔记本的快速指南.mp4 22. 2.16 关于 python numpy 向量的说明.mp4 21. 2.15 Python 中的广播.mp4 20. 2.14 向量化 logistic 回归的梯度输出.mp4 2. 1.2 什么是神经网络.mp4 19. 2.13 向量化 logistic 回归.mp4 183. 3.11 结论和致谢.mp4 182. 3.10 触发字检测.mp4 181. 3.9 语音辨识.mp4 180. 3.8 注意力模型.mp4 18. 2.12 向量化的更多例子.mp4 179. 3.7 注意力模型直观理解.mp4 178. 3.6 Bleu 得分选修.mp4 177. 3.5 定向搜索的误差分析.mp4 176. 3.4 改进定向搜索.mp4 175. 3.3 定向搜索.mp4 吴恩达深度学习作业.zip 深度学习作业quiz-已完成.pdf 深度学习作业quiz-空白.pdf Deeplearning深度学习笔记v5.6.pdf