【吴恩达深度学习系列第二课第一周笔记】

现在开始记录第二课程的笔记。会慢慢更新的。

关键概念：

• 不同类型的初始化会导致不同的结果

• 认识复杂神经网络初始化的重要性

• 识别 train / dev / test 集之间的差异

• 诊断模型中的偏差和方差问题

• 学习何时以及如何使用规范化方法

• 理解深度学习中的实验问题

• 使用梯度检查来验证反向传播实现的正确性

[Deep Learning] 深层神经网络

本周目标：

• 将深层神经网络视为一个接一个的连续块

• 建立和训练深层L层神经网络

• 分析矩阵和向量维数以检查神经网络的实现。

• 了解如何使用缓存将信息从正向传播传递到反向传播。

• 了解超参数在深度学习中的作用

  阅读全文 »

[Deep Learning] 浅层神经网络

• 理解隐藏层和隐藏单元
• 能够使用多种类型的激活函数
• 用隐藏层建立一个前向传播和反向传播算法
• 应用随机初始化

[Deep Learning]将逻辑回归模型作为神经网络

最近开始学习吴恩达的deeplearning课程，从第二周开始，会开始介绍关于逻辑回归模型的一些简单定义，在这里开始做一些简单的笔记，用以后面的复习。