1.1 训练 / 开发 / 测试集 播放 1.2 偏差 / 方差 播放 1.3 机器学习基础 播放 1.4 正则化 播放 1.5 为什么正则化可以减少过拟合？ 播放 1.6 Dropout 正则化 播放 1.7 理解 Dropout 播放 1.8 其他正则化方法 播放 1.9 正则化输入 播放 1.10 梯度消失于梯度爆炸 播放 1.11 神经网络的权重初始化 播放 1.12 梯度的数值逼近 播放 1.13 梯度检验 播放 1.14 关于梯度检验实现的注记 播放

2.1 Mini-batch 梯度下降法 播放 2.2 理解 mini-batch 梯度下降法 播放 2.3 指数加权平均 播放 2.4 理解指数加权平均 播放 2.5 指数加权平均的偏差修正 播放 2.6 动量梯度下降法 播放 2.7 RMSprop 播放 2.8 Adam 优化算法 播放 2.9 学习率衰减 播放 2.10 局部最优的问题 播放

3.1 调试处理 播放 3.2 为超参数选择合适的范围 播放 3.3 超参数训练的实践：Pandas VS Caviar 播放 3.4 正则化网络的激活函数 播放 3.5 将 Batch Norm 拟合进神经网络 播放 3.6 Batch Norm 为什么奏效？ 播放 3.7 测试时的Batch Norm 播放 3.8 Softmax 回归 播放 3.9 训练一个 Softmax 分类器 播放 3.10 深度学习框架 播放 3.11 TensorFlow 播放

1. 吴恩达采访 Yoshua Bengio 播放 2. 吴恩达采访 林元庆 播放