| 课程 | 周数 | 类别 | 内容 |
|---|
| 课程一：神经网络和深度学习 | 第一周：深度学习简介 | 理论 | （1）深度学习简介 |
| 实践 | 无 |
| 第二周：神经网络基础 | 理论 | （1）回归基础 |
| （2）分类与逻辑回归 |
| （3）梯度下降法 |
| （4）损失函数与传播 |
| （5）向量化 |
| （6）向量化的反向传播 |
| 实践 | E & C |
| 第三周：浅层神经网络 | 理论 | （1）正向传播 |
| （2）激活函数和反向传播 |
| （3）初始化 |
| 实践 | E & C |
| 第四周：深度神经网络的关键概念 | 理论 | （1）深度神经网络的关键概念 |
| 实践 | E & C |
| 课程二： 改善深层神经网络 | 第一周：深度学习的实践 | 理论 | （1）偏差与方差 |
| （2）L2正则化 |
| （3）dropout正则化 |
| （4）其他缓解过拟合的方法 |
| （5）归一化 |
| （6）梯度现象和梯度检验 |
| 实践 | E & C |
| 第二周：优化算法 | 理论 | （1）Mini-batch 梯度下降 |
| （2）指数加权平均和学习率衰减 |
| （3）Momentum梯度下降法 |
| （4）RMSprop |
| （5）Adam 优化算法 |
| 实践 | E & C |
| 第三周：超参数调整，批量标准化和编程框架 | 理论 | （1）超参数调整 |
| （2）batch归一化 |
| （3）多值预测与多分类 |
| （4）编程框架 |
| （5）框架演示 |
| 实践 | E & C |
| 课程三： 结构化机器学习项目 | 第一周：机器学习策略 | 理论 | （1）正交化调优和评估指标 |
| （2）数据集设置 |
| （3）模型性能与“人类性能” |
| 实践 | 无 |
| 第二周：误差分析与学习方法 | 理论 | （1）误差分析与快速迭代 |
| （2）数据不匹配问题 |
| （3）迁移学习 |
| （4）多任务学习 |
| （5）端到端学习 |
| 实践 | E & C |
| 课程四：计算机视觉 | 第一周：卷积基础知识 | 理论 | （1）图像处理基础 |
| （2）卷积参数 |
| （3）简单卷积网络 |
| （4）池化操作与卷积中的反向传播 |
| 实践 | E & C |
| 第二周：经典网络结构 | 理论 | （1）经典卷积网络 |
| （2）残差网络 |
| （3）1×1卷积与Inception网络 |
| （4）CV 方法论 |
| 实践 | E & C |
| 第三周：检测算法 | 理论 | （1）目标定位与特征点检测 |
| （2）目标检测算法 |
| （3）交并比、非极大值抑制和锚框 |
| （4）YOLO 的完整传播过程 |
| 实践 | E & C |
| 第四周：卷积网络应用 | 理论 | （1）人脸识别 |
| （2）图像风格转换 |
| 实践 | E & C |
| 课程五：自然语言处理 | 第一周：循环神经网络 | 理论 | （1）序列数据与序列模型 |
| （2）循环神经网络 |
| （3）语言模型 |
| （4）RNN 中的梯度现象 |
| （5）门控循环单元 GRU |
| （6）长短期记忆 LSTM |
| （7）双向 RNN 与深层 RNN |
| 实践 | E & C |
| 第二周：词嵌入 | 理论 | （1）词汇表征和类比推理 |
| （2）词嵌入模型原理 |
| （3）Word2Vec |
| （4）分层 softmax 和负采样 |
| （5）GloVe 算法 |
| （6）情绪分类和词嵌入除偏 |
| 实践 | E & C |
| 第三周：序列模型与注意力机制 | 理论 | （1）seq2seq 模型 |
| （2）束搜索 |
| （3）注意力机制 |
| （4）语音识别和触发字检测 |
| 实践 | E & C |
