神经网络与深度学习 42
- 39 神经网络与大脑关系
- 38 参数（Parameters）与超参数（Hyperparameters）
- 37 前向传播与反向传播
- 36 深度神经网络构建模块（Building Blocks of Deep Neural Networks）
- 35 为什么深度表示（Deep Representations）有效？
- 34 正确设置矩阵维度
- 33 深度神经网络中的前向传播（Forward Propagation in a Deep Network）
- 32 深度L层神经网络
- 伊恩·古德费洛访谈
- 31 神经网络中的随机初始化（Random Initialization）
- 30 反向传播直觉（Backpropagation Intuition）
- 29 单隐藏层神经网络的梯度下降（Gradient Descent for Neural Networks）
- 28 神经网络中激活函数的导数（Derivatives of Activation Functions）
- 27 为什么神经网络必须使用非线性激活函数？
- 26 神经网络中的激活函数（Activation Functions）
- 25 神经网络中的向量化实现（Vectorized Implementation）
- 24 多样本向量化（Vectorizing Across Multiple Examples）
- 23 计算神经网络的输出
- 22 神经网络结构概述
- 21 神经网络概述
- 20 逻辑回归代价函数详解
- 19 避免 NumPy 中的“秩1数组”（Rank-1 Array）陷阱
- 18 Python 中的广播机制（Broadcasting in Python）
- 17 向量化逻辑回归的梯度计算（Vectorizing Logistic Regression's Gradient Computation）
- 16 向量化逻辑回归（Vectorizing Logistic Regression）
- 15 更多向量化示例（More Vectorization Examples）
- 14 向量化（Vectorization）
- dL／dz 的推导
- 13 在 m 个样本上执行梯度下降（Gradient Descent on m Examples）
- 12 逻辑回归的梯度下降（Gradient Descent for Logistic Regression）
- 11 使用计算图求导（Derivatives with a Computation Graph）
- 10 计算图（Computation Graph）
- 09 导数（Derivatives）的直观理解与实例
- 08 导数的直观理解（Intuition about Derivatives）
- 07 梯度下降（Gradient Descent）
- 06 逻辑回归成本函数
- 05 逻辑回归
- 04 神经网络编程基础 — 二元分类（Binary Classification）
- 03 为什么深度学习现在才真正起飞？
- 03 为什么深度学习现在才真正起飞？
- 02 监督学习与神经网络
- 01 什么是神经网络？