摘要 目录
第一周：深度学习概论 目录
什么是神经网络 目录
用神经网络进行监督学习 目录
深度学习兴起的原因 目录
第二周：神经网络基础 目录
二分分类及符号约定 目录
logistic回归 目录
logistic回归损失函数 目录
损失函数优化方法：梯度下降法 目录
导数基础知识 目录
计数图与计数图导数 目录
微积分链式法则
logistic回归中的梯度下降法 目录
向量化技术 目录
用向量化方法优化logistic回归中的第二个for循环
 |
 |
向量化 logistic 回归 目录
|
 |
Python/numpy 向量的说明 目录
logistic 回归成本函数证明 目录
第三周：浅层神经网络 目录
神经网络概览 目录
神经网络表示 目录
计算神经网络的输出 目录
多个例子的向量化 目录
激活函数 目录
为什么需要非线性激活函数 目录
只有一个地方可以使用线性激活函数，就是如果你要机器学习的是回归问题，在输出层可以使用线性激活函数。
激活函数的导数 目录
神经网络的梯度下降法 目录
 |
 |
随机初始化 目录
第四周：深层神经网络 目录
深层神经网络与符号约定 目录
深层网络中的前向传播 目录
使用深层网络的原因 目录
前向和反向传播模块 目录
超参数 目录
补充笔记 目录
*1. logistic regression的梯度/导数推导 目录
*2. tanh函数表达式的由来 目录
