从本文开始我将会总结Coursera-Deep Learning第四课的内容：Convolutional Neural Networks，卷积神经网络。
先看下这门课的大纲，分为以下四个部分：
看了大纲之后，与其说这门课讲的是卷积神经网络，不如说是在讲深度学习在计算机视觉（Computer Vision）中的应用。因为CNN的知识并没有那么多，一周时间的讲解就足够了。而后面的三周课则会先介绍几个当下比较流行的卷积神经网络模型，比如AlexNet,VGG,ResNet等。最后两周则会介绍如何通过一些高效算法去实现目标检测（Object Detection）和人脸识别（Face[……]
一般来说，我们在进行机器学习任务时，使用的每一个算法都有一个目标函数，算法便是对这个目标函数进行优化。在机器学习中，这种函数被称为损失函数（loss function）、代价函数（cost function）或者目标函数（objective function）。本文主要介绍以下三种最常见的loss function。
全称应该是Mean Squared Error，也就是最小二乘法，这个是最简单的，它公式如下：
$$
\ell = \frac{1}{m} \sum_{i=1}^{m}(y_i – \hat{y_i})^2
$$
TensorFlow函数：tf.losses.mean_squared_error
主要用于SVM，它的公式如下：
$$
\ell= \max(0, 1- \hat{y} \cdot y)
$$
其中，\(y\)是label，\(\hat{y}\)是预测值，两者的取值范围都是\(y,\hat{y} \in \{-1,1\}\)。观察上述公式[……]
本文介绍Coursera-Deep Learning-Course2-Week2：Optimization algorithms的内容：深度学习的优化，主要是如何加速梯度下降。
这部分主要介绍了三种梯度下降方法：Batch Gradient Descent, Mini-batch Gradient Descent和Stochastic Gradient Descent，这些内容已经在之前的文章（大规模机器学习）中已经解释的很清楚了，本文不再具体阐述。
先回顾下之前的梯度下降公式：
$$
\theta_{j} := \theta_{j} – \alpha \frac{1}{m}\sum_{i=1}^{m}\left ( h_{\theta}\left ( x^{(i)}\right )- y ^{(i)}\right ) x_{j}^{(i)}
$$
上面这个公式代表的是全批量的梯度下降（batch gradient descent），是梯度下降最原始的形式，也就是说梯度每下降一步都要把所有的样本数据算一遍，这个代价是非常昂贵的，如果m是百万级别的话（实际工程中很常[……]
从今天开始，我们总结Coursera深度学习第二课：Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization，主要是调参和优化，这一块儿的内容是非常重要的，里面讲解了很多深度学习应用的经验法则，非常有参考价值。今天我们主要覆盖week1的内容：Week1 Practical aspects of Deep Learning。
一般来说，完整地训练一个ML应用需要把数据集划分三块：
2017年8月8日，吴恩达正式发布了Deepleanring.ai，一个发布在Coursera上的深度学习系列课程Deep Learning Specialization，希望将人工智能时代的基础知识传播到更多人身边。网上对这门课的评价很高，算是深度学习的必备课程了，所以想入门深度学习的同学千万不要错过。但在enroll这门课之前，个人强烈建议先学完同样由Andrew Ng教的Machine Learning，这门课才是最基础的机器学习课程，里面包含了很多最基本，最重要的思想和概念。学完了这门课再来上这门深度学习会感觉比较轻松吧，整体难度并不大，所以在课程发布的前几周我就全部学完了（那时候只发布了前三课），主要是因为课程开放的前一周是免费的，所以学的非常快。但同时也很仓促，也因此没有做笔记。导致的结果就是现在你再问我这些课程到底讲了什么，我已经忘得差不多了。现在又得重新花时间去学习，这是很浪费时间的。所以在学习新知识的过程中，适当地记录和梳理是非常有必要的。从今天开始，我会把这门深度学习课程的学习笔记整理到博客里，并不会面面俱到，只会记录于我而言很重要的知识点。
Deep L[……]