【完全指南】6个月,每周10-20小时,零基础掌握深度学习

来源:towardsdatascience.com

编译:马文

【新智元导读】在大约6个月的时间里,学习、跟踪和参与到深度学习state-of-the-art的工作中是完全可能的。实现这一目标只需5个步骤,本文带来详细介绍。

必备条件

  • 你愿意在接下来的6个月每周花费10-20小时
  • 你已经有一些编程技能。在学习过程中,你应该能够轻松学会Python,以及云的知识(假设没有Python和云的背景)。
  • 已经接受过一些数学教育(代数、几何等)。
  • 能够访问互联网和使用计算机。

6个月,循序渐进5个步骤掌握深度学习

第1步

我们通过开车来学习驾驶,而不是通过学习离合器和内燃机的工作原理。至少最开始不是这样。学习深度学习时,我们将遵循同样的自上而下的方法。

作为入门,学习fast.ai的“给程序员的深度学习课程-Part 1”[1]。这需要花费4-6周的时间。这个课程有一个在云上运行代码的实践。Google Colaboratory [2]提供免费的GPU接入,其他的选项还有Paperspace, AWS, GCP, Crestle 和 Floydhub。所有这些都很好用。你不用开始配置自己的机器,至少这个阶段还不用。

第2步

学完第一步的入门课程,现在应该学一些基本知识了。学习微积分和线性代数。

对于微积分,MIT的Big Picture of Calculus [3] 这个课程提供了一个很好的概述。

对于线性代数,Gilbert Strang在MIT OpenCourseWare开的《线性代数》课程[4]很棒。

完成上面两个课程后,可以阅读 Matrix Calculus for Deep Learning [5].

第3步

现在是了解深度学习的自下而上的方法的时候了。在Coursera学习吴恩达的Deep Learning Specialization的全部5门课[6]。理想情况下,考虑到你目前已经得到的背景知识,你应该能够每周完成一门课程。

第4步

“只用功不玩耍,聪明的孩子也变傻”

做一个实战项目。你可以深入钻研一个深度学习库(例如,Tensorflow、PyTorch、MXNet),并针对任何你喜欢的问题,从头开始实现一个架构。

前三个步骤是关于如何使用、在哪里使用深度学习,以及打下坚实的基础的过程。这一步就是从零开始实现一个项目,并在使用工具方面打下坚实的基础。

第5步

现在可以开始学习fast.ai第二部分的课程了——给程序员的前沿深度学习课程(Cutting Edge Deep Learning for Coders)[7]。这个课程涉及更高级的主题,你将学习阅读最新的研究论文,并从中得到启发。

以上每个步骤都大约需要4-6周的时间。总共大约26周的时间,如果你遵循上述步骤的过程,你将获得深度学习的坚实基础。

那么再下一步呢?

学习斯坦福的CS231n[8]和CS224d[9]课程。这两个都是非常深度的视觉和NLP领域的很棒的课程。这两个课程覆盖了该领域最先进的研究。同时阅读Ian Goodfellow 、Yoshua Bengio 和Aaron Courville三位大牛合著的Deep Learning这本书[10],这能够巩固你的理解。

Happy deep learning!

课程和资源链接:

[1]Practical Deep Learning for Coders — Part 1 http://course.fast.ai/

[2]Google Colaboratory https://colab.research.google.com/

[3]Big Picture of Calculus https://ocw.mit.edu/resources/res-18-005-highlights-of-calculus-spring-2010/highlights_of_calculus/big-picture-of-calculus/

[4]Linear Algebra https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

[5]Matrix Calculus for Deep Learning http://parrt.cs.usfca.edu/doc/matrix-calculus/index.html

[6]Deep Learning Specialisation https://www.coursera.org/specializations/deep-learning

[7]Cutting Edge Deep Learning for Coders http://course.fast.ai/part2.html

[8]CS231n http://cs231n.stanford.edu/

[9]CS224d http://cs224d.stanford.edu/

[10]deep learning book http://www.deeplearningbook.org/

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2018-02-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏达观数据

技术干货 | 推荐系统中的冷启动问题和探索利用问题

冷启动和探索利用问题是推荐系统技术中的两个关键问题,本文结合达观数据的技术实战,对问题的解决方案进行了梳理和介绍。 1 前言 互联网技术和大数据技术的迅猛发展正...

3535
来自专栏腾讯大数据的专栏

效果广告点击率预估实践:深度学习

1. 引言 深度学习可以说是目前机器学习和人工智能领域最热的词汇了,已经热了数年,而且有望继续热下去。深度学习技术自横空出世以来,在多个应用领域刷新了历史记录,...

3118
来自专栏机器之心

华为麒麟的AI性能是高通的3.5倍?这是所有手机运行神经网络的能力

高通、华为、联发科有什么共通点?这三家厂商都做加速手机、平板等移动设备中计算机视觉、NLP 以及其他机器学习任务的硬件架构。然而,这存在一个问题,即开发者难以判...

1330
来自专栏AI科技评论

动态 | 「词嵌入」和「注意力」的新发现获得CoNLL 2018最佳论文奖

AI 科技评论按:国际语言学会(ACL)下属的 SIGDAT 小组主办的自然语言处理顶级会议 EMNLP 2018 即将于 10 月 31 日到 11 月 4 ...

1003
来自专栏AI科技评论

干货 | 5年提速500倍,英伟达GPU创纪录突破与技术有哪些?

英伟达 Volta Tensor Core GPU 在深度学习社群取得了哪些巨大突破?这些突破背后有什么核心技术?

1343
来自专栏机器之心

学界 | 担心面部识别泄露隐私?多伦多大学图像「隐私过滤器」了解一下

每当用户将照片或视频上传到社交媒体平台时,这些平台的面部识别系统都会对用户有一定的了解。这些算法会提取包括用户的身份、所在地以及认识的人在内的数据,而且还在不断...

1240
来自专栏新智元

OpenAI首届迁移学习竞赛,南大阿里团队夺冠,中科院第二

【新智元导读】OpenAI举行的首届迁移学习竞赛Retro Contest结束,各路AI玩《刺猬索尼克》游戏,在提交结果的229支队伍中,中国的团队获得了冠亚军...

1130
来自专栏机器之心

线性代数与张量?这本开放书籍帮你扫清通往ML的数学绊脚石

项目地址:https://web.stanford.edu/~boyd/vmls/

932
来自专栏大数据文摘

2017年你错过了哪些AI圈大事?最全盘点,值得收藏!

3217
来自专栏机器之心

前沿 | 剧本自动生成电影:杜克大学提出AI视频生成新方法

3496

扫码关注云+社区

领取腾讯云代金券