1.1 欢迎来到深度学习 播放 1.2 什么是神经网络？ 播放 1.3 用神经网络进行监督学习 播放 1.4 为什么深度学习会兴起？ 播放 1.5 关于这门课 播放 1.6 课程资源 播放

2.1 二分分类 播放 2.2 logistic 回归 播放 2.3 logistic 回归损失函数 播放 2.4 梯度下降法 播放 2.5 导数 播放 2.6 更多导数的例子 播放 2.7 计算图 播放 2.8 计算图的导数计算 播放 2.9 logistic 回归中的梯度下降法 播放 2.10 更多梯度下降法的例子 播放 2.11 向量化 播放 2.12 向量化的更多例子 播放 2.13 向量化 logistic 回归 播放 2.14 向量化 logistic 回归的梯度输出 播放 2.15 Python 中的广播 播放 2.16 关于 python / numpy 向量的说明 播放 2.17 Jupyter / Ipython 笔记本的快速指南 播放 2.18 （选修）logistic 损失函数的解释 播放

3.1 神经网络概览 播放 3.2 神经网络表示 播放 3.3 计算神经网络的输出 播放 3.4 多个例子中的向量化 播放 3.5 向量化实现的解释 播放 3.6 激活函数 播放 3.7 为什么需要非线性激活函数？ 播放 3.8 激活函数的导数 播放 3.9 神经网络的梯度下降法 播放 3.10 （选修）直观理解反向传播 播放 3.11 随机初始化 播放

4.1 深层神经网络 播放 4.2 前向和反向传播 播放 4.3 深层网络中的前向传播 播放 4.4 核对矩阵的维数 播放 4.5 为什么使用深层表示 播放 4.6 搭建深层神经网络块 播放 4.7 参数 VS 超参数 播放 4.8 这和大脑有什么关系？ 播放

深度学习教父的传奇故事——访Geoffrey Hinton 播放 篮球运动员之梦到AI之梦——访Pieter Abbeel 播放 苹果研究总监的AI训练法——访Ruslan Salakhutdinov 播放 人脑研究到人工智能研究——访Ian Goodfellow 播放 中国人工智能路在何方——访林元庆 播放 人工智能能够战胜人类吗？——访Andrej Karpathy 播放 神经网络巨头的学习之路——访Yoshua Bengio 播放