S1 E1 • What is Deep Learning?

Première diffusion : 23 septembre 2017

S1 E2 • What is a Neural Network?

Première diffusion : 23 septembre 2017

S1 E3 • Supervised Learning with Neural Networks

Première diffusion : 23 septembre 2017

S1 E4 • Drivers Behind the Rise of Deep Learning

Première diffusion : 23 septembre 2017

S1 E5 • Binary Classification in Deep Learning

Première diffusion : 23 septembre 2017

S1 E6 • Logistic Regression

Première diffusion : 23 septembre 2017

S1 E7 • Logistic Regression Cost Function

Première diffusion : 23 septembre 2017

S1 E8 • Gradient Descent

Première diffusion : 23 septembre 2017

S1 E9 • Derivatives

Première diffusion : 23 septembre 2017

S1 E10 • Derivatives Examples

Première diffusion : 23 septembre 2017

S1 E11 • Computation Graph

Première diffusion : 23 septembre 2017

S1 E12 • Derivatives with a Computation Graph

Première diffusion : 23 septembre 2017

S1 E13 • Logistic Regression Derivatives

Première diffusion : 23 septembre 2017

S1 E14 • Gradient Descent on m Training Examples

Première diffusion : 23 septembre 2017

S1 E15 • Vectorization

Première diffusion : 23 septembre 2017

S1 E16 • More Vectorization Examples

Première diffusion : 23 septembre 2017

S1 E17 • Vectorizing Logistic Regressio

Première diffusion : 23 septembre 2017

S1 E18 • Vectorizing Logistic Regression's Gradient Computation

Première diffusion : 23 septembre 2017

S1 E19 • Broadcasting in Python

Première diffusion : 23 septembre 2017

S1 E20 • Python-Numpy

Première diffusion : 23 septembre 2017

S1 E21 • Jupyter-iPython

Première diffusion : 23 septembre 2017

S1 E22 • Logistic Regression Cost Function Explanation

Première diffusion : 23 septembre 2017

S1 E23 • Neural Network Overview

Première diffusion : 23 septembre 2017

S1 E24 • Neural Network Representation

Première diffusion : 23 septembre 2017

S1 E25 • Computing a Neural Network's Output

Première diffusion : 23 septembre 2017

S1 E26 • Vectorizing Across Multiple Training Examples

Première diffusion : 23 septembre 2017

S1 E27 • Vectorized Implementation Explanation

Première diffusion : 23 septembre 2017

S1 E28 • Activation Functions

Première diffusion : 23 septembre 2017

S1 E29 • Why Non-Linear Activation Function?

Première diffusion : 23 septembre 2017

S1 E30 • Derivatives of Activation Functions

Première diffusion : 23 septembre 2017

S1 E31 • Gradient Descent for Neural Networks

Première diffusion : 23 septembre 2017

S1 E32 • BackPropagation Intuition

Première diffusion : 23 septembre 2017

S1 E33 • Random Initialization of Weights

Première diffusion : 23 septembre 2017

S1 E34 • Deep L-layer Neural Network

Première diffusion : 23 septembre 2017

S1 E35 • Forward Propagation in Deep Networks

Première diffusion : 23 septembre 2017

S1 E36 • Getting your Matrix Dimension Right

Première diffusion : 23 septembre 2017

S1 E37 • Why DEEP representation?

Première diffusion : 23 septembre 2017

S1 E38 • Building Blocks of Deep Neural Network

Première diffusion : 23 septembre 2017

S1 E39 • Forward Propagation for Layer L

Première diffusion : 23 septembre 2017

S1 E40 • Parameters vs Hyperparameters

Première diffusion : 23 septembre 2017

S1 E41 • Brain and Deep Learning

Première diffusion : 23 septembre 2017

S1 E42 • Train/Dev/Test sets

Première diffusion : 23 septembre 2017

S1 E43 • Bias/Variance

Première diffusion : 23 septembre 2017

S1 E44 • Basic "Recipe" of Machine Learning

Première diffusion : 23 septembre 2017

S1 E45 • Regularization

Première diffusion : 23 septembre 2017

S1 E46 • Why Regularization reduces Overfitting?

Première diffusion : 23 septembre 2017

S1 E47 • Dropout Regularization

Première diffusion : 23 septembre 2017

S1 E48 • Why does drop-out work?

Première diffusion : 23 septembre 2017

S1 E49 • Other Regularization Methods

Première diffusion : 23 septembre 2017

S1 E50 • Normalizing Input

Première diffusion : 23 septembre 2017