课程概况
吴恩达给你的人工智能第一课
人工智能行业国际顶尖大师倾囊相授，让你赢在职业起跑线
由 deeplearning.ai 出品，网易引进的正版授权中文版深度学习工程师微专业课程，让你在了解丰富的人工智能应用案例的同时，学会在实践中搭建出最先进的神经网络模型，训练出属于你自己的 AI。
包含课程
01 神经网络和深度学习
开课时间： 8月29日10:00 - 12月31日23:59
课程时长：4周
课程负载：3小时每周
内容类型：视频 文档 富文本 讨论
课程分类：人工智能 IT&互联网 人工智能与数据
这是深度学习工程师微专业中的第一门课。
这门课将为你介绍深度学习的基础知识。学完这门课，你将能够：
- 理解驱动深度学习的主要技术趋势。
- 能够搭建、训练并且运用全连接的深层神经网络。
- 了解如何实现高效的（向量化）的神经网络。
- 理解神经网络架构中的关键参数。
这门课将会详尽地介绍深度学习的基本原理，而不仅仅只进行理论概述。
当你完成这门微专业之后，你就能够将深度学习运用到你的个人应用中，调教出属于你自己的AI。
如果你正在找与人工智能有关的工作，那么，在学习完这门课后，应对面试官提问的基础面试问题就绰绰有余了。
制作方：deeplearning.ai
原载于：Coursera
02 改善深层神经网络：超参数调试、正则化以及优化
开课时间： 8月29日10:00 - 12月31日23:59
课程时长：3周
课程负载：3小时每周
内容类型：视频 文档 富文本 讨论
课程分类：人工智能 IT&互联网 人工智能与数据
这是深度学习工程师微专业中的第二门课。
学完这门课之后，你将会:
- 理解业界构建深度神经网络应用最有效的做法。
- 能够高效地使用神经网络通用的技巧，包括初始化、L2和dropout正则化、Batch归一化、梯度检验。
- 能够实现并应用各种优化算法，例如mini-batch、Momentum、RMSprop和Adam，并检查它们的收敛程度。
- 理解深度学习时代关于如何构建训练/开发/测试集以及偏差/方差分析最新最有效的方法。
- 能够用TensorFlow实现一个神经网络。
这门课将会详尽地介绍深度学习的基本原理，而不仅仅只进行理论概述。
当你完成这门微专业之后，你就能够将深度学习运用到你的个人应用中，调教出属于你自己的AI。
如果你正在找与人工智能有关的工作，那么，在学习完这门课后，应对面试官提问的基础面试问题就绰绰有余了。
制作方：deeplearning.ai
原载于：Coursera
03 结构化机器学习项目
开课时间： 8月29日10:00 - 12月31日23:59
课程时长：2周
课程负载：3小时每周
内容类型：视频 文档 富文本 讨论
课程分类：人工智能 IT&互联网 人工智能与数据
这是深度学习工程师微专业的第三门课。
本课程的很多内容都是首次作为教学内容，并且很多都源自我个人在构建和运营深度学习产品方面的经验。这门课也有两个“流程模拟器”，可以让你作为机器学习项目的领导者，练习如何决策。这会让你收获极其宝贵的“行业经验”，一般来说，这些经验可能要通过多年的工作积累才能得到。
在2周的学习之后，你会：
- 理解如何诊断机器学习系统中的错误
- 能够优先减小误差最有效的方向
- 理解复杂ML设定，例如训练/测试集不匹配，比较并/或超过人的表现
- 知道如何应用端到端学习、迁移学习以及多任务学习
很多团队浪费数月甚至数年来理解这门课所教授的准则，也就是说，这门两周的课可以为你节约数月的时间。
制作方：deeplearning.ai
原载于：Coursera
04 卷积神经网络
开课时间： 11月1日12:00 - 12月31日23:59
课程时长：4周
课程负载：3-5小时每周
内容类型：视频 文档 富文本 讨论
课程分类：人工智能 IT&互联网 人工智能与数据
这是深度学习工程师微专业的第四门课。
通过这门课的学习，你将会：
- 理解如何搭建一个神经网络，包括最新的变体，例如残余网络
- 知道如何将卷积网络应用到视觉检测和识别任务。
- 知道如何使用神经风格迁移生成艺术。
- 能够在图像、视频以及其他2D或3D数据上应用这些算法。
制作方：deeplearning.ai
原载于：Coursera
05 序列模型
开课时间： 待定
课程时长：待定周
课程负载：待定
内容类型：视频 文档 富文本 讨论
课程分类：人工智能 IT&互联网 人工智能与数据
这是深度学习工程师微专业的第五门课。
通过这门课的学习，你将会：
- 理解如何构建并训练循环神经网络（RNN），以及一些广泛应用的变体，例如GRU和LSTM
- 能够将序列模型应用到自然语言问题中，包括文字合成。
- 能够将序列模型应用到音频应用，包括语音识别和音乐合成。
制作方：deeplearning.ai
原载于：Coursera
