机器之心报道
作者:张倩、陈萍
春节刚过,先来学点简单的。
越是入门的课程,可能越不好讲。
在深度学习领域,我们可以检索到各种各样的入门课程,但真正能让人「入门」的可能没有几个。
在为数不多的「真 · 入门」课程里面,MIT 的《深度学习导论(6.S191)》着实值得一提。最近,这门课程的更新又引起了新一轮的围观,刚放出几天的视频已经有了 7 万多的点击量。
这种强大的号召力离不开该课程在过去几年所积累的口碑。自开课以来,数千名学生、数百万线上学习者已经从中受益。
有人甚至称赞说:「在现有的课程里面,这绝对是最好的深度学习入门课程之一。」
从各方反馈来看,它的「好」主要体现在以下几个方面:
1. 门槛不高。部分学生表示,这门课程不需要你有多深厚的基础知识,也不需要精通 Python,很多非计算机科学领域的学生也能受益匪浅。
2. 老师的讲解通俗易懂,而且 PPT 制作非常用心。知乎用户 @石刁柏 Asparagus 表示,「这门课程制作的 PPT 是我见过最简洁、最清晰的。PPT 里把每个公式、步骤写成最完整的展开形式,并配图,而不是甩出一个个初学者很难直接理解的简化缩写公式。」而且,「课程讲解过程中会把公式和 TensorFlow 的具体代码相结合,具体到每一步操作。」
由于课程着实优秀,有学生表示:「两个月前就把小板凳搬好了」。
目前,2021 版的新课已经放出了部分视频和 PPT,大家可以去课程主页获取相应资源。
课程主页:http://introtodeeplearning.com/
这门课讲了啥?适合哪些人?
MIT《深度学习导论》是一门入门课程,介绍了深度学习技术在计算机视觉、自然语言处理、生物学等领域的应用。通过学习这门课程,学生将掌握深度学习算法的基本知识,以及用 TensorFlow 搭建神经网络的实战经验。
这门课程包括 lecture、Software Lab、Paper review、Final Project 等多个环节。
其中 lecture 共有 12 讲,涵盖了深度学习的基础知识与多个应用领域:
此外,该课程设置了三次 Software lab 项目,即使用 TensorFlow 框架的实践操作练习。学生可以使用 Google Colab 中的 iPython notebook 进行操作,通过实践在 TensorFlow 中实现神经网络。
详情参见 GitHub 地址:https://github.com/aamini/introtodeeplearning
虽然门槛相对较低,但这门课程还是需要学生掌握最基本的线性代数和微积分知识,如矩阵相乘、求导、链式法则的运用等。Python 技能对上课有帮助,但并非必需。总体来看,该课程对新手非常友好,参加该课程的很多学生都来自非计算机科学领域。
除了学生之外,部分老师也会将这门课作为教学辅助材料。为了避免版权纠纷,MIT 给出了明确的引用规定:
主讲人是谁?
Alexander Amini
该课程的主要组织者和讲师 Alexander Amini 是麻省理工学院(MIT)的博士生,导师为 Daniela Rus 教授。Alexander Amini 同时还是 NSF Fellow,并在 MIT 完成了电子工程与计算机科学理学学士和理学硕士学位,并辅修数学。
Alexander Amini 的主要研究领域包括为自主系统的端到端控制(即感知到驱动)构建机器学习算法,并为这些算法制定保障。他还研究过自动驾驶汽车的控制、形式化深度神经网络的置信度、对人类移动性的数学建模,以及构建复杂的惯性优化系统。
个人主页:https://www.mit.edu/~amini/
Ava Soleimany
另一位主讲者 Ava Soleimany 是哈佛生物物理学博士,与 Sangeeta Bhatia 一起在 MIT Koch 癌症研究所进行研究,并获得 NSF 研究生研究奖学金计划的支持。此前,Ava Soleimany 在 MIT 完成了计算机科学和分子生物学学士学位。
Ava Soleimany 博士阶段的研究重点是用于癌症早期检测的新诊断方法,其研究利用了纳米技术、机器学习和统计学、化学生物学和生物工程的工具来创造新的诊断和治疗生物技术。
个人主页:https://www.mit.edu/~asolei/
参考链接:https://zhuanlan.zhihu.com/p/340429450?utm_source
© THE END
转载请联系本公众号获得授权