前言
刚刚完成了coursera上Neural Networks and Deep Learning这门课程的学习，并通过考核。在这里记录一下学习感受，来为大家提供一些关于这门课的资料和学习建议。
ps关于课后作业真的还是自己做一遍比较好。
课程简介
Neural Networks and Deep Learning这门课是Deeplearning.ai在cousera的系列课程的第一门课，主要作用是为学习者提供神经网络和深度学习的基础知识，为下一步的深入学习打好基础。
这门课程还是秉承着吴恩达的一贯风格，学习门槛很低，思路清晰，表达流畅，语速也较低，即使没有字幕的帮助一般水平的学习者也能扛得住。而且Andrew Ng为了打出特色特意为学习者增加了AI研发领域领军任务的访谈，这部分内容很有特色，不容错过。
关于费用
不交钱可以是听课的，但是不能完成课程的练习和考试，最终无法获得官方的认证。
Deeplearning.ai系列课程的收费机制非常特殊，是按照学习时间决定的，目前的费用是每个月49美金。按月来续订课程，如果指定时间未通过则还需要续订，直到全部通过，也就是说如果是学习能力特别强的人就算是只订一个月也可以只交 49,但如果学习能力不好的人，则学习完所有课程可能需要一年那就需要连续订阅超过12次，即 588。
这种收费方式我是非常认可和欣赏的，站着还把钱挣了的典范。
主要内容
课程大纲
- 深度学习简介，基本概念以及趋势
- 神经网络基础，基本模型
- 浅神经网络，含有一个隐含层的网络数学模型
- 深度神经网络，多层神经网络的优化过程
神经网络的核心流程
这部分简单介绍一下神经网络的核心计算流程，即神经网络的机器学习的实现原理，即网络优化的过程。这也是这门课讲述的核心流程。
1.初始化网络参数
2.正向计算神经网络的输出\
Z[l]=W[l]A[l−1]+b[l]
\
σ(Z)=11+e−Z
\
RELU(Z)=max(0,Z)
3.计算与实际的差距J\
J=−1m∑i=1m(y(i)log(a[L](i))+(1−y(i))log(1−a[L](i)))
4.根据差距来反向计算神经网络权重的变化值\
dW[l]=∂L∂W[l]=1mdZ[l]A[l−1]T
\
db[l]=∂L∂b[l]=1m∑i=1mdZ[l](i)
\
dA[l−1]=∂L∂A[l−1]=W[l]TdZ[l]
5.更新网络权重\
W[l]=W[l]−α dW[l]
\
b[l]=b[l]−α db[l]
6.重复2~5的步骤直到达到收敛标准
如下图所示：
学习建议
1.需要一定的英语水平，因为课程字幕并没有完全汉化，所以有些视频需要纯靠听力。同时我觉得字幕有时候会分散学习者的注意力，所以还是推荐听为主。
2.需要基本的python能力，因为这次课程的作业需要以python来完成，因此基本的python能力是需要的，当然使用的时候现场查也是可以的。
3.我是每天消耗不到三十分钟的时间，在一个月内完成的这门课程，基本符合官方的数据。
4.对于想学习人工智能的人来说，这门课绝对是入门首选。
