DeepLearning.AI是由吴恩达在Coursera上推出的深度学习专题系列课程，包括五门课程：神经网络和深度学习、改善深层神经网络-超参数调试、正则化以及优化、结构化机器学习项目、卷积神经网络、序列模型。这套课程主要面向初学者和中级学习者，采用自下而上的方式教授神经网络原理，难度适中，旨在将人工智能时代的基础知识传播到更多人身边。这套课程的特点是通过精挑细选的课程、长短合适的视频与精准设置的信息块共同呈现知识，周期性地消除任何不确定和歧义，同时提供大量节省时间和金钱的实用技巧。[0][1]
DeepLearning.AI中的第一门课程是神经网络和深度学习，主要介绍了深度学习的基础知识，从单一神经元（逻辑回归）的角度入手介绍神经网络，慢慢增加复杂性——加入更多的神经元和更多层。在四周课程结束时，学生就会学到构建复杂神经网络的所有核心知识，如损失函数、梯度下降和向量化并行python（numpy）实现。如果你可以顺利构建深度神经网络，那么你就可以学习DeepLearning.AI的其他课程了。[0]
DeepLearning.AI的第二门课程是改善深层神经网络-超参数调试、正则化以及优化，主要介绍了如何改善深度学习模型的性能。该课程包括调试技巧、正则化、优化算法、批量标准化等内容。在该课程中，吴恩达通过实例演示了如何调整超参数，如何选择正则化方法，以及如何使用批量标准化等技术来提高模型的性能。[1]
DeepLearning.AI的第三门课程是结构化机器学习项目，主要介绍了如何构建一个完整的机器学习项目。该课程包括项目的构建、数据集的准备、模型的选择、模型的评估等内容。在该课程中，吴恩达通过实例演示了如何使用深度学习来解决实际问题。[1]
DeepLearning.AI的第四门课程是卷积神经网络，主要介绍了卷积神经网络的原理、应用和实现。该课程包括卷积神经网络的基础知识、卷积神经网络的应用、卷积神经网络的优化、卷积神经网络的可视化等内容。在该课程中，吴恩达通过实例演示了如何使用卷积神经网络来解决计算机视觉问题。[1]
DeepLearning.AI的第五门课程是序列模型，主要介绍了序列模型的原理、应用和实现。该课程包括循环神经网络、注意力模型、Transformer等内容。在该课程中，吴恩达通过实例演示了如何使用序列模型来解决自然语言处理和语音识别等问题。[1]