UC Berkeley釋出於2018年，目前來說最大規模也是最多樣化的駕駛視訊資料集，可評估自動駕駛圖像識別算法，具有地理，環境和天氣多樣性。這些資料具有四個主要特徵：大規模，多樣化，在真實的街道採集，並帶有時間資訊。
超參數調校順序，依吳恩達所建議，排列如下:
為了找到可用於訓練機器學習模型的數據集，主要有三種方法：
現在自學方式很多，以下是我覺得比較好的方式。
監督式機器學習(Supervised learning)是從已被標記的數據中學習。程序員不寫具體演算法來制定決策，而是對 "從標記數據中學習的模型"…
學習率衰減 (learning rate decay):簡言之，就是隨著時間慢慢降低訓練的學習率。
讀書會進行方式
由LeCun在1998年提出，來辨識手寫數字。 它定出CNN最基本的架構：卷積層(Convolution)、池化層(pooling)、全連接層( fully connected layers)。可參考此文了解更多。
現在常用的LeNet-5(5表示有5個層)，和原始的不同在於:
這是為了預習學校此周的課程，學習吳恩達老師的序列模型心得，亦參考他人學習心得而做的筆記。
遞歸神經網絡或RNN這樣的模型，在 語音識別/音樂生成/DNA序列分析 非常有用。 這些問題都可視為監督式學習，但輸入x和輸出y不一定都是序列模型。若都是序列模型的話，模型長度也不一定完全一致。
