掌握深度学习的原理，才能在人工智能领域走得更远。本课程手把手教你如何让神经网络具备思考的能力。通过学习和训练，神经网络能够利用数学理论知识进行有效的编程实践。在第一册中，你学会了如何搭建神经网络，在这本第二册里，我们将让神经网络进行深度学习，从而让它具备思考的能力。神经网络通过调整合适的参数来进行思考，学习过程就是不断调整参数的过程。
整个课程围绕着参数调整分为五个部分。第一部分是了解损失函数，它通过正向传播算法的输出与正确答案进行比较，以确定神经网络参数的好坏。损失函数越大，说明参数需要调整。第二部分是数学知识，具体讲到导数，它反映了损失函数随参数变化的幅度。导数的值即是调整参数的依据；每次循环，参数按照导数的值进行调整，这就是第三部分的梯度下降法；第四部分涉及数据来源，可以是网络上的现成数据，也可以是自行制作的数据，以供训练神经网络之用；最后，在第五部分，我们将开始让神经网络进行学习训练，通过对各个网络层中的权重和偏置进行更新，逐步优化整个网络。
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
免责声明：本站所有资源版权均属于原作者所有，这里所提供资源均只能用于参考学习用，不得用于商业用途，请遵循相关法律法规。请勿传播使用转载，若由于商用引起版权纠纷，一切责任均由使用者承担。如若本站内容侵犯了原著者的合法权益，联系我们进行处理邮箱∶7512117@qq.com
