开学了，如何用2017年最后三分之一学会深度学习？

大数据文摘

发布于 2018-05-24 17:49:04

4300

发布于 2018-05-24 17:49:04

文章被收录于专栏：大数据文摘大数据文摘

大数据文摘作品，转载要求见文末

作者 | Vishnu Subramanian

编译 | 糖竹子，元元，钱天培

今天是9月2日，在一片欢（ai）声（sheng）笑（tan）语（qi）中，我们又迎来了快乐的新学年！小伙伴们，开学季快跟文摘菌一起闭着眼睛念：“我爱学习，学习使我快乐！”

今天，对AI有兴趣，又不知道如何开始的胖友们可是有福气啦！我们为大家带来了一篇关于机器学习课程推荐的文章，将从授课人、课程内容、课程亮点、课程局限和费用，等5个角度，对市面上热度较高的三门课程进行剖析。

深度学习课程不知道何处着手的小伙伴们？快来看看这里有没有对你胃口的选择！

1.Fast.ai

课程链接：

http://course.fast.ai

授课人：

Fast.ai深度学习课程的授课人是Jeremy。他和普通教授的背景完全不同，他不是任何知名高校的博士，也不在任何像谷歌、百度、微软等顶尖科技公司工作。他自学成才，是一名Kaggle大师（注：Kaggle是海外知名数据科学竞赛平台），也是一位企业家，现任Fast.ai CEO，人生目标是让深度学习广为人知。他的独一无二也让这门课与众不同。这门课程旨在让不同背景的人在无法接触大量数据和高性能计算机的情况下，也能学会使用深度学习。

课程内容：

这门课分为两部分，课时均为7周。课程第一部分教大家如何在计算机视觉和自然语言处理领域使用深度学习。课程第二部分讲授最前沿的研究项目，如生成网络，生成对抗网络，Seq2Seq模型，并就怎样在快速发展的深度学习领域保持领先给出了很多实用建议。

这门课的教学风格非常特别。课程创始人坚持一种独特的教学方法。

就好比在学习打板球时，你不会先钻进书本堆，学习速度、动量等物理知识，掌握一堆理论分析后再去球场。相反的，你会带着球和拍子直接上场，在实践中完成你的学习。

这门课的设计也遵循了这一原则。课程中，你需要从在云端创建自己的工作站，安装软件，学习如何用深度学习快速解决问题。Jeremy 每周会提出一个新的问题，然后他会讲授用于提高模型表现的各种技巧。他的很多技巧非常实用，例如利用预卷积特征，伪造标签等。

课程的第二部分旨帮助你阅读、理解并应用各类学术论文的内容，介绍了生成模型、图像分割、Seq2Seq模型等前沿主题。你将学习搭建图像风格转换，低分辨率图像转高分辨率图像，生成对抗网络，图像分割，语言翻译等有趣的课题，并学会结构化数据的深度学习。第二部分的核心部分是搭建自己的工作平台。如果你热衷于深度学习并想搭建各种深度学习的应用，有自己的平台将非常有用。

课程亮点：

你能够学到行业领先的计算机视觉和自然语言处理能力。
你能够理解并使用先进的深度学习构架。
你能够获取许多实用建议，尤其是如果在有限的数据和计算机性能条件下迅速地应用深度学习。
在任何学习阶段，都有一个庞大的社团支持你，帮助你实施解决方案。
你将学会够熟练使用深度学习三大主流框架Keras，TensorFlow，PyTorch。
学完此课程，你能够很自如地阅读研究报告、创建新的项目、写项目博客。

课程局限：

这门课以自上而下的方式进行，对数学原理的介绍较少。如果你打算找工作或打算深入研究这一领域，理解深度学习背后的数学原理还是挺有必要的。
这门课程并不提供任何形式的证书。Jeremy鼓励大家多写博客，搭建项目，在会议上发表观点，而不要在意一纸证书。

费用：

这门课本身是完全免费的。但要练习课题，你需要购买AWS(亚马逊云计算服务平台）的服务，或者在自己的机器上搭建平台，由此产生的费用会很高。但在自己家有一个功能强大的工作站会非常有用。

2.Deeplearning.ai

课程链接：

https://www.deeplearning.ai

授课人：

Andrew Ng曾经是斯坦福大学的教授，Coursera的联合创始人，Google Brain深度学习项目的创始人和领导者，以及百度前首席科学家。这系列课程汇集了他处理各种大规模问题的丰富经验。

课程内容：

课程共有5个部分，目前3个部分已经发布了。Andrew Ng在课程中采取由下至上的教学方法。与他之前其他课程的Octave编程作业不同，这次的课程作业要求用Python语言编程。

第1部分中，Ng教授仔细介绍了深度学习概念所涉及的数学原理和直觉思维。数学原理部分仅包含理解深度学习基本概念所必须的内容，使得课程内容不至于喧宾夺主。课程作业部分注重用编程实现数学原理。即便你不擅长数学，也无需害怕，作业题目提供了所有的公式，因此你可以把重心放在用代码实现深度学习上。
课程的第2部分介绍了一些提高深度学习模型效率的方法，如正则化(regularisation), 动量法(momentum)，批标准化(batch normalization), 丢弃法(dropout)。本课程最精彩之处在于你可以用Python和Numpy来实现所有这些技术方法。
课程的第3部分是Ng教授从自己多年的经验中提炼出的技巧。在这部分的末尾，他介绍了深度学习框架。第3部分的课程作业是如何使用TensorFlow, 作业题目的设计很明确很直观。
课程的第4部分是关于卷积神经网络(Convolutional Neural Network, CNN)，目前仍未开放。
课程的第5部分是关于递归神经网络(Recurrent Neural Networks, RNN) 或序列数据，目前仍未开放。

课程亮点：

在学完3个部分后，你的深度学习基础就很扎实了。
前3个部分不涉及任何深度学习框架，这为你之后使用任何深度学习框架打下良好的基础、
课程提供大量实用技巧，包括如何设计评估指标，如何分割出训练集，如何避免方差和偏差的问题。
课程第3部分里最吸引人的是案例学习部分，你可以自己运行深度学习项目，检验学习成果。
所有的课程作业都在Coursera服务器上的Jupyter notebook中完成，所以你不用担心基础构架的问题。
课程的最后两部分令人期待。
每周都有一个名为“深度学习大师”的小讲座，有助于大家了解深度学习的历史发展和理论的灵感来源。

课程局限：

对于完全不了解深度学习或机器学习的学生来说，从头开始构建神经网络的每个组成部分并理解背后的数学原理很有难度。
由于这个课程采取由下至上的学习顺序，即使你学完前3个部分，你还是很难自己用深度学习解决问题。
由于课程提供基础构架，所以你错过了学习自己管理平台的机会。如果你想要用一些标准配置之外的方法，最好还是学会在自己的电脑或者云端上构建平台。
课程作业提供很多代码范例，大大降低了作业的难度。但是如果你真的想要完全掌握深度学习，不依靠代码范例独立完成全部作业是必不可少的步骤。代码范例可能不能算是课程的不足，但是对于希望充分利用课程资源的学生来说，独立完成作业尤其重要。

费用：

课程的视频免费开放，完成作业则需要收费，课程定价是49美元/月。

优达学城深度学习纳米基石项目

课程链接：

https://cn.udacity.com/course/deep-learning-nanodegree-foundation--nd101

授课人：

课程的一部分由Siraj Ravel教授，其他部分则来自Udacity自己的教师。Siraj Raval是油管（Youtube）网红，多才多艺。他喜欢在教学中加入音乐和视频，让课程变得轻松有趣。该课程也有一些部分是由Andrew W. Trask和Ian Goodfellow教授的。

课程内容：

与我们介绍的前两个课程不同，这个课程的顺序既不是由下至上，也不是自上而下。课程共有5个部分，并提供价值100美元的Amazon券。课程涵盖了不少深度学习技术，如卷积神经网络（Convolutional Neural Network, CNN），递归神经网络（Recurrent Neural Networks, RNN），生成对抗网络（Generative Adversarial Network, GAN），自动编码器（Auto Encoders）。

课程亮点：