提高網路模型的泛化能力！深度學習之父Geoffrey Hinton的神經網路第九課

作為深度學習祖師，Geoffrey Hinton 的每一句每一言，都使學習者如奉綸音。濃縮其畢生所學的《Neutral Network for Machine Learning》，則是唯一一門 Hinton 老師系統講授的公開課。

自 2012 年開課，NNML 就一躍成為深度學習開發者的殿堂級慕課。時隔五年，仍然是內容最「干」、最值得學習的深度學習課程。

如果說吳恩達的《Machine Learning》是最佳入門課程，描述 NNML 則只需兩個字： 「必修」——對於有志於真正掌握深度學習的人而言。

它很難，但也因此沒有做任何「dumb down」——為照顧小白而犧牲「厚度」，把原本並不單純的原理硬以簡單的類比表述出來，是幾乎所有深度學習課程不得不做的妥協。

但這門課沒有。

本欄目將在AI研習社（公眾號：okweiwu）每周一、周三更新，敬請關注！

Lecure 9提高網路模型的泛化能力

內容簡介

這一節課介紹了如何在網路有過多能力處理過多容量的訓練數據集時，通過降低過擬合來提高網路模型的泛化能力。Hinton 介紹了幾種控制網路容量的方法，以及如何設置度量參數以及防止過擬合的四種方法。

往期課程目錄

1.1 為什麼要學習機器學習？

1.2 神經網路機制中的腦科學原理

1.3 簡單的神經元模型

1.4 ANN 的 MNIST 學習範例

1.5 機器學習演算法的三大類

2.1 神經網路架構介紹

2.2 神經網路架構介紹

2.3 感知器的幾何空間解析

2.4 感知器的原理透析

2.5 感知器的局限性

Lecture 3 線性 / 邏輯神經網路和反向傳播

Lecture 4 學習特徵向量

Lecture 5 用神經網路進行物體識別

Lecure 6 模型優化：如何加快學習！

Lecure 7 循環神經網路RNN（一）

Lecure 8 循環神經網路RNN（二）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！