【Andrew Ng】深度学习(11):序列模型

采用循环神经网络能够建立各种各样的序列模型(Sequence Model)。加入一些注意力机制,能够使这些序列模型更加强大。

【Andrew Ng】深度学习(10):自然语言处理

自然语言处理(Natural Language Processing,NLP)是人工智能和语言学领域的学科分支,它研究实现人与计算机之间使用自然语言进行有效通信的各种理论和方法。

【Andrew Ng】深度学习(9):循环神经网络

随深度学习技术的发展,使用循环神经网络(Recurrent Neural Network,RNN)建立的各种序列模型,使语音识别、机器翻译及自然语言理解等应用成为可能。

【Andrew Ng】深度学习(8):卷积神经网络的应用

认识了解了卷积神经网络的工作原理及其一些经典的网络结构后,这里介绍如何应用卷积神经网络,实现目标检测、人脸识别及神经风格转换。

【Andrew Ng】深度学习(7):卷积神经网络

计算机视觉(Computer Vision)是一门研究如何教机器“看”的科学,计算机视觉研究相关的理论和技术,试图创建能够从图像或者多维数据中获取“信息”的人工智能系统。

随着深度学习技术的发展,计算机视觉领域的研究也得到了快速的发展。在对各种图像进行处理的过程中,往往在少量的图像中便蕴含着大量的数据,难以用一般的DNN进行处理。而卷积神经网络(Convolutional Neural Network, CNN)作为一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,在图像处理工作上有着出色的表现。

【Andrew Ng】深度学习(6):结构化机器学习项目

构建好一个机器学习系统并获得一些初步结果时,为得到最令人满意的结果,后续往往还需要进行大量的改进。如前面优化神经网络中所述,改进的方法多种多样,可能是收集更多的数据,或者是进行正则化,或者是采用不同的优化算法。

想要找准改进的方向,使一个机器学习系统更快更有效地工作,需要学习一些在构建机器学习系统时常用到的策略。

【Andrew Ng】深度学习(5):TensorFlow

每次都从零开始全部靠自己去建立一个深层神经网络模型并不现实,借助现在众多流行的深度学习框架,能够高效地实现这些模型。TensorFlow便是其中之一。

【Andrew Ng】深度学习(4):优化神经网络(2)

想提高一个深层神经网络的训练效率,需从各个方面入手,优化整个运算过程,同时预防其中可能发生的各种问题。

本文涉及优化深层神经网络中的几种梯度下降法,梯度下降中的Momentum、RMSProp、Adam优化算法及学习率衰减,批标准化等内容。

【Andrew Ng】深度学习(3):优化神经网络(1)

想提高一个深层神经网络的训练效率,需从各个方面入手,优化整个运算过程,同时预防其中可能发生的各种问题。

本文涉及优化深层神经网络中的数据划分,模型估计,预防过拟合,数据集标准化,权重初始化,梯度检验等内容。

【Andrew Ng】深度学习(2):神经网络

神经网络(Neural Network)的构筑理念是受到生物神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法得以优化,所以人工神经网络也是数学统计学方法的一种实际应用。

和其他机器学习方法一样,神经网络已经被用于解决各种各样的问题,例如机器视觉和语音识别。这些问题都是很难被基于传统规则的编程解决的。

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×