吴恩达老师斯坦福CS230深度学习课程资源进行开放了，大家都知道吴恩达老师最出名的是他在coursera的机器学习课程，可以说让很多刚开始接触ml的小白入门该领域。
我个人本身也是在大二下学期由于学校一个创新项目的需求，学习吴恩达老师网易云课堂的机器学习课程，也记得ML从那个时候真正火起来了，我这一届当时保研的同学能够往这个方向的就往这个方向走，导致计算机硬件方向和其他方向爆了冷门。
吴恩达在开设了机器学习课程之后，最近发布的DeepLearning.ai的课程也是广受好评，我没有看完，看了一两门课程，作业也跟着去做，得到的感受就是吴恩达老师就是那种擅长将知识寻寻渐进的传授给你的老师。Deeplearning.ai这个课程也非常推荐！
最近吴恩达在斯坦福又开了一门学分课，这门课涉及到深度学习的基础知识、神经网络构建，以及如何完成一个成功的机器学习项目。具体将涉及卷积网络，RNNs，LSTM，Adam，Dropout，BatchNorm，Xavier / He初始化等，还提供医疗，自动驾驶，手语阅读，音乐创作和自然语言处理等多领域的案例研究。
CS230 与吴恩达在 Coursera 上的深度学习专项课程一样分 5 部分，即神经网络与深度学习、提升深度神经网络、机器学习项目的策略、卷积神经网络及序列模型。
在第一课中介绍了神经网络和深度学习的基础。主要在课堂内介绍了深度学习的直观概念，并借助两个模块从头开始学习神经网络到底是什么。
第二课介绍深度学习模型的内部数学结构，从浅层网络逐步过渡到深度网络，理解「深度」的重要意义。掌握了这些概念之后，对于如何从零开始构建深度学习网络，能有一个基本的思路。
然后是深度模型的优化或调参技巧，例如初始化、正则化、数据集划分、Dropout、归一化、梯度检查等，和各种经典的学习率衰减方法，如动量算法、Adam 等。
第三课介绍结构化机器学习项目。基础部分涉及超参数调整、批规一化方法等，以及深度学习框架（如 TensorFlow、PyTorch）的应用。然后是机器学习策略，包括垂直化调参、评估指标设置、数据集划分等。
这一课会介绍如何在实际案例中应用深度学习，Pranav Rajpurkar 将教你构建医疗领域的深度学习应用，即吴恩达团队开发的 Chest X-Rays 项目。
第四课介绍卷积神经网络，卷积神经网络主要用于处理空间型数据，如图像、视频等，因此在计算机视觉中应用甚广。在这一部分课程期间有一个期中测验，可以帮助你重温之前学习过的内容。
CNN 的基础部分涉及卷积运算、步幅、池化等，然后进一步介绍了几个经典的 CNN 架构，如 LeNet-5、AlexNet、VGG、ResNet、Inception 等。之后给出了几个 CNN 开发过程中的建议，涉及迁移学习、数据增强等。最后介绍了 CNN 领域的当前研究现状。
第五课介绍序列模型。序列模型主要用于处理序列型数据，如音乐、语音、文本等。序列模型主要以循环神经网络为代表，本课将介绍 RNN 的基础结构、类型、计算过程等，并以语言建模作为典型案例进行分析。之后是一些著名的 RNN 变体，例如 GRU、LSTM、双向 RNN、深度 RNN 等。
https://web.stanford.edu/class/cs230/
