Coursera 吴恩达 deeplearning.ai 深度学习课后习题 第一周 Introduction to deep learning

课后习题（测试+编程题） 最近在B站看吴恩达的深度学习系列课程，但是B站上没有题目，去coursea上又有限制，一年只能免费申请一门。于是，我便转向了万能的互联网，果然让我给找到了。特此转载一下，给需要帮助的人。 原文链接在此 其他 因为篇幅过短被批回了，那我就在叨叨一下吧。吴恩达的课程还是很不错的，非常详细与厚实，适合入门；不过可能由于他自身研究发现的限制，所以只要讲的是视觉和语音识别的拓展，不过视觉目前还是大热门，也没什么不好。 ...

Deep learning, dropout (inverted dropout), Early stopping, normalization, Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization

本文深入解析ISO 15765-2网络层协议如何解决CAN总线的8字节限制问题，实现车载诊断中的长数据传输。通过详细拆解N_PDU结构、多帧传输机制及时间参数优化，帮助工程师提升诊断效率与稳定性，适用于UDS诊断等场景。

本文参考 csdn以及github博客园。

【代码】【深度学习】吴恩达-课后作业-搭建多层神经网络以及应用。

欢迎完成你的第一份编程作业!您将构建一个逻辑回归分类器来识别猫。这项作业将引导你如何用神经网络的思维方式来做这件事，因此也将磨练你对深度学习的直觉。说明:不要在代码中使用循环(for/while)，除非指令明确要求这样做。你将学会:构建学习算法的总体架构，包括:1.初始化参数2.计算成本函数及其梯度3.使用优化算法(梯度下降)按照正确的顺序将上述三个函数集合到一个主模型函数中。

就是参考吴老师指导一步一步写的。

深度学习---识别猫

Planar data classification with one hidden layer 建立只有一个隐藏层的神经网络 主程序如下： # coding:utf-8 import numpy as np import matplotlib.pyplot as plt from testCases import * import sklearn import sklearn.datas...

一份中文版的目录，请查收~

吴恩达-深度学习课后题~

1、What does the analogy “AI is the new electricity” refer to?(和“AI 是新电力”相类似的说法是什么？) Similar to electricity starting about 100 years ago, AI is transforming multiple industries.(就 像 100 年前产生电能一样，AI 正在改变很多的行业。) 2、Which of these are reasons for Deep Learning.

前面做了吴恩达实验一——实现了经典的猫图识别-逻辑回归的二分类算法，该模型只有一个隐藏层，如何实现深层神经网络？吴恩达的实验三（course 1&&week 4）便构建了两个神经网络，两层和多层的模型，而且都同样使用了实验一的猫猫图的数据集，来看看最后的预测结果会不会有提升。

tips:仅有输入层（12288，1）和输出层（1，1）无隐藏层。