自己动手神经网络深度学习（AI第二册）
掌握了深度学习的原理，才能在人工智能的道路上走得更远。这门课程手把手教大家如何让神经网络学会思考，通过学习，训练出能够思考的神经网络。课程深入浅出地讲解所需的数学等理论知识，并将这些知识应用于人工智能编程。
在第一册中，我们学会了搭建神经网络，而在第二册中，我们将让这个神经网络进行深度学习。深度学习的目的是让神经网络具备思考的能力。只要神经网络的参数合适，就可以进行思考。因此，学习的过程就是调整参数的过程。
为了实现这一目标，整个课程大致分为5个部分：第一部分是学习损失函数，损失函数通过比较正向传播算法得到的输出与正确的答案，来评估神经网络的性能；第二部分是数学知识中的导数，通过计算损失函数对参数的导数来确定参数调整的幅度；第三部分是梯度下降法，通过这种方法每次循环调整参数，使损失函数最小化；第四部分则是数据准备，训练神经网络需要大量的数据，这些数据可以来自网络，也可以自行制作；第五部分是实际训练，对神经网络中的权重和偏置进行更新，使其不断优化，直到达到最佳性能。
目录
1 课程介绍.mp4
2 损失函数.mp4
3 均方误差编程实现.mp4
4 交叉熵误差及编程.mp4
5 导数的概念与编程.mp4
6 导数的计算.mp4
7 偏导数.mp4
8 从导数到梯度.mp4
9 梯度的编程.mp4
10 梯度下降法编程.mp4
11 梯度算法优化.mp4
12 运用到简单的神经网络.mp4
13 数据集介绍.mp4
14 从互联网获取数据集.mp4
15 数据的转换.mp4
16 数据的保存和加载.mp4
17 数据的处理.mp4
18 创建两层神经网络的类.mp4
19 预测值 损失函数 梯度.mp4
20 神经网络类的小结.mp4
21 神经网络的深度学习实践.mp4
22 自制数据集初步.mp4
AI0（资料）.rar
评论0