自己动手神经网络深度学习（AI第二册）

只有掌握深度学习的原则，我们才能在人工智能领域走得更远。本课程教您如何使神经网络具有思维能力。通过学习和训练，神经网络可以利用数学理论知识进行有效的编程实践。在第一卷中，你学会了如何构建神经网络。在第二卷中，我们将让神经网络深入学习，使其具有思维能力。神经网络通过调整适当的参数来思考。学习过程是不断调整参数的过程。

整个课程围绕参数调整分为五个部分。第一部分是了解损失函数，它通过正传输算法的输出与正确答案进行比较，以确定神经网络参数的质量。损失函数越大，参数就需要调整。第二部分是数学知识，具体说到导数，它反映了损失函数随参数变化的范围。导数值是调整参数的基础；每个循环，参数根据导数值进行调整，即第三部分的梯度下降方法；第四部分涉及数据源，可以是网络上的现成数据或自制数据，以训练神经网络；最后，在第五部分，我们将开始学习和训练神经网络，通过更新各网络层的权重和偏置，逐步优化整个网络。

目录
1 课程介绍.mp4
2 损失函数.mp4
3 实现均方误差编程.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 应用于简单的神经网络.mp4
13 数据集介绍.mp4
14 从互联网上获取数据集.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别.mp4
19 预测值 损失函数 梯度.mp4
20 神经网络类总结.mp4
21 神经网络的深度学习和实践.mp4
22 初步自制数据集.mp4
AI0(数据).rar