【再谈AI教育】吴恩达老师的 deep learning 课程是你所需要的吗?

很多想学人工智能的人会有一个疑问,就是我该怎么学?是自学还是跟着老师学,如果是跟着老师学,我该跟着哪位老师学?

一直以来,人工智能界都存在两个现象,一方面有一些专家学者一直在前沿处发表paper和讲解相对高深的AI技术,这个需要听众一定基础才能理解,而另一个方面充斥着眼花缭乱的非AI技术专家创办的培训班教授想要学基础入门AI的群众AI,这个其实会误导很多学生,因为AI的入门门槛其实不低,很多这些培训机构的老师都没有在人工智能技术这里有扎实的基础。这就造成其实大量的想要学习AI的人走弯路,并且无法直接接触到AI大牛,学到前沿的技术,而吴恩达老师此举其实是把大师的思想课程放网上,咀嚼到了大量普通群众也可以接受的地步,让大家都可以最大程度的接触到大师的思想,从这一点上,我觉得非常有意义。UAI在做的一件事情也是把最前沿的技术和优质内容带给大家,让普通的人学了可以入门,让技术人才学了更加可以更上一层楼。但是UAI和吴恩达老师不同的一点是我们的内容也许会更加贴近实战,更加关注每个学员的成长,而且更加关注除了深度学习,还有没有其他更多的可能性的一个哲学思考。我们目前的强势课程是深度强化学习,也是我们在 AlphaGo 出现之前就已经确定了这一趋势的判断。

人工智能时代已经来临

大家一直在等待 Andrew Ng 离开百度后会去做什么。

就在昨天,Andrew Ng 在 deeplearning.ai 上发布了 Coursera 上面的 Neural Networks and Deep Learning 课程。酷酷滴长这样(感觉像火影里面的宇智波 带土):

第一季课程安排如下:

  1. Introduction to deep learning
  2. Neural Networks Basics
  3. Shallow neural networks
  4. Deep Neural Networks

这些内容基本上是从事该领域的人员需要具备的知识和技能基础。对于没有深度学习基础的同学入门将会是较好的选择。但若是有了相应的积累可能就没有太大的必要去选择。

经过这些年,吴老师已经成为AI技术实施者的代言人,他在很多大会上还有自己组织的活动上不遗余力地推动人工智能技术的实际使用,同时也分享了众多经验。

但也由于深度学习的最具有原始权威的是 Geoffrey Hinton、Yann LeCun、Yoshua Bengio(应该要加上 Jürgen Schmidhuber,但由于一些历史原因可能出现不了了,感兴趣可以留言),所以在本课程的大牛助阵中,加入了 Hinton、Bengio 及其弟子们 Ian Goodfellow、Russ Salakhutdinov 和 Andrej Karpathy,还有他之前紧密合作过现在专注于 Deep RL 的身处 Berkeley 和 OpenAI 的 Pieter Abbeel 教授。这些采访视频都已经公开了,里面提到了这些非常优秀的专家对 AI 的看法,有兴趣的可以去听听。

每月 333 RMB 的价格和国内已有一些培训班差不多(应该还便宜一些),但是质量 Andrew Ng 的课程会超过很多。如果你考虑慢慢地学习,那么建议大家去选择 Andrew Ng 的课程的。

另外我们非常赞成 Andrew Ng 对 AI 发展趋势的观点,更好的 AI 技术可以帮助我们提升人类的生活水平,解决已经困扰我们良久的问题。培养更多的 AI 人才是未来必然趋势,学习是渐进的过程,对于知识点和认识的提升需要不断地训练。

这也是 UAI 创办的初衷之一,让更多地人能够真正掌握人工智能这项强大的技术,去解决问题,实现梦想。

对于技术如何在产品和工作的使用方面的讨论,UAI 在这方面经验更加丰富。我们运作 2 年的社区能够完成将技术进一步细化和应用的任务。

我们发现,很多时候通过线下课程的碰撞,我们可以将好的想法植入已有的产品设计和问题解决上。课程是一种同步机制,因为在讨论解决问题的方案的时候,我们需要和同伴有共同的语言来进行知识和信息同步。我们提供了合适的机制来帮助大家完成这样的操作。

AI成长社脱胎于 UAI 社区运作两年多的经验。期间我们给过数十次公开讲座和连续式AI课程(Deep RL、GANs),将最前沿技术融于可以公开讲授的课程中。并且,我们会给于计算环境的支撑,满足成员实践算法的需求。

原文发布于微信公众号 - UAI人工智能(UniversityAI)

原文发表时间:2017-08-14

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

来自专栏新智元

当AI遇上量子计算:神经网络量子纠错系统或超越传统纠错策略

量子计算机可以解决传统计算机无法完成的复杂任务。然而,量子态(quantum states)对来自外界的持续干扰极其敏感。研究人员希望使用基于量子纠错(quan...

462
来自专栏新智元

谷歌大脑背后的大脑Jeff Dean:最快15年实现通用人工智能

【新智元导读】《福布斯》网站今日刊文,专访“谷歌大脑背后的大脑”Jeff Dean。Dean回顾了他自1999年加入至今在公司的不同角色,重点介绍了谷歌大脑的项...

3716
来自专栏AI科技评论

学界 | DeepMind眼中的神经科学研究:人工智能进步的另一个重要支点

AI 科技评论按:继神经科学家成为机器学习领域会议的邀请演讲的常客以后,DeepMind AI 博客今天也发出了一篇文章讲述他们对人工智能研究和神经科学研究协作...

35311
来自专栏AI科技评论

对话LSTM之父Jürgen Schmidhuber:为什么我觉得“AI奴役人类”的说法很愚蠢?

AI科技评论按:9月12日上午,南京金秋洽谈会“2017中国人工智能峰会(CAIS 2017)”在南京国际博览会议中心盛大开幕。本次峰会以“创新、变革、突破”为...

2244
来自专栏PPV课数据科学社区

Airbnb使用净推荐值(NPS)预测用户再次预定率

净推荐值(Net Promoter Score, NPS)是一个度量用户忠诚度的指标,用于计量用户再次访问公司网站或使用公司服务的可能性。Fred Reiche...

4536
来自专栏大数据和云计算技术

似懂非懂Google TPU 2.0

前面刚学习了Google的第一代TPU,写了篇《似懂非懂Google TPU》,很多朋友一起讨论,纷纷议论说好像也不是很牛逼?怎么可能,Google在技术上还是...

3114
来自专栏镁客网

谷歌宣布开放Cloud TPU,每小时6.5美元,英伟达还坐得住吗?

1292
来自专栏人工智能快报

谷歌人工智能赋予机器人“做梦”的能力

随着最近的神经科学发现展示了做梦对记忆巩固的重要性,谷歌旗下的人工智能公司DeepMind率先研发了一项可让机器人做梦的新技术,以便提高它们的学习效率。这些人工...

3585
来自专栏机器之心

业界 | 腾讯「AI In All」的背后,是开放AI技术能力,探索腾讯内外的应用场景

3148
来自专栏机器之心

业界 | 谷歌TPU之后还有高通,人工智能芯片竞赛已经展开

选自Wired 作者:Cade Metz 机器之心编译 参与:黄小天、李泽南 作为机器学习的领军人物,Yann LeCun(杨立昆)曾在 25 年前开发过一块...

35011

扫码关注云+社区