我们将首先简单介绍线性回归和机器学习。这将让你熟悉这些领域的常用术语，你需要了解的技术进展，并了解深度学习在更大的机器学习背景中的位置。
直播：线性回归
WEEK 1Types of Machine Learning and when to use Machine LearningLive session: Linear regression from scratch
然后，我们将深入探索神经网络，并了解各种规范架构，如 AlexNet、LeNet 等。我们将使用这些神经网络将含有数字的图像自动转换为相应的数字。
直播：数值分类
WEEK 2Neural Network Architecture + TypesLive session: Numerical classification from scratch
直播：情绪分析入门，云计算详细指导
WEEK 3Cloud computing + sentiment analysisLive session: Sentiment Analysis from scratch + cloud computing detailed instructions
这周，我们将探索推荐系统的世界，例如 Netflix，亚马逊和其他网站使用的那些。你还将学习线性代数基础知识，在整个深度学习课程中，这都很有用。
直播：多种数学示例和推荐系统
WEEK 4Math Notation + recommender systemsLive session: Various math examples + recommender system from scratch
要实际应用深度学习，关键之一是收集正确的训练数据。在本课中，我们将探讨可以用来清洗和正则化数据的各种技术，让你训练出有效的模型。
直播：数据准备
WEEK 5Data preparation (cleaning, regularization, dimensionality reduction)Live session: Data prep from scratch
卷积神经网络（CNN）是目前神经网络领域最令人振奋的进步之一，它现在已经可以比人类更出色地对图像中的物体分类。在本课中，我们将学习这些神经网络背后的原理，并使用它们来追踪无人机图像。
直播：图片分类
WEEK 6Drone image trackingLive session: Image classification from scratch
直播：股票价格预测
WEEK 7Stock predictionLive session: Stock prediction from scratch
除了简单的预测，深层神经网络现在也能够基于样本生成音乐，图像和艺术品。在本课中，我们将通过一种称为“风格迁移（Style Transfer）”的技术，使用神经网络来创建基于我们输入的艺术品的新艺术品。
直播：艺术风格迁移
WEEK 8Art generationLive session: Artistic Style transfer from scratch
正如 DeepMind 著名的 Wavenet 论文所表明，神经网络也可以应用于处理音频。在本课中，我们将使用一种称为 LSTM 的递归神经网络来基于现有样本生成新的音乐片段。
直播：音乐生成
WEEK 9Music generation (LSTMs applied to Audio)Live session: Generating music from scratch
我们已经生成了图像和音乐，本周，我们将扩展到文本和语言，使用 LSTM 来基于训练数据生成新颖的书写样本。
直播：文本生成
WEEK 10Poetry generation (LSTMs applied to NLP)Live session: Text generation from scratch
机器翻译最近取得的进展，很大程度上归功于神经网络。最新版本的谷歌翻译和百度翻译都使用深度学习架构，来将文字从一种语言翻译成另一种语言。这是使用一种称为序列至序列学习（Sequence to Sequence Learning）的过程完成的，我们将在本课中探讨。
直播：语言翻译
W E E K 11Language translation (sequence to sequence)Live session: Language translation from scratch
我们进一步探索序列至序列学习，构建我们自己的聊天机器人 QA 系统，回答用户的各类问题。
直播：聊天机器人
WEEK 12Chatbot QA System with voiceLive session: Chatbot from scratch
深度学习领域最有趣的一些进展，发生在增强学习领域。神经网络通过动态的即时数据学习并调整，而不是使用过时的数据来训练。我们将应用强化学习构建简单的游戏机器人，让它可以在各种 Atari 游戏中获胜。
直播：游戏机器人
WEEK 13Game bot 2D (reinforcement learning via Monte-Carlo tree search)Live session: Game bot from scratch
深度学习也可以用来显著地改善压缩技术。在本课中，我们将使用深度学习来构建自动编码器，它可以自动找到数据稀疏样本。
直播：自动编码器
WEEK 14Image compressionLive session: Autoencoder from scratch
在本课中，你将应用深层学习来检测数据中的异常值。这在用来防止信用卡欺诈的应用中非常有用。
直播：数据可视化
WEEK 15Data visualizationLive session: Data visualization from scratch
生成对抗网络（GAN）是深度学习中最深层的进步之一。你将探索这个新概念，使用计算机生成图像。大多数人不会相信这些图片是计算机生成的！
直播：生成对抗网络（GAN）
WEEK 16Image generationLive session: Generative adversarial network from scratch
最后，我们将介绍小样本学习（one-shot learning）——神经网络只能从一个（或几个）样本中学习，而不是大量数据。
直播：小样本学习
WEEK 17One-shot learning (Probabilistic Programming)Live session: One shot learning from scratch