0
雷鋒網(wǎng) AI 科技評(píng)論按：本文的作者是 Thomas Treml，是一名具有社會(huì)學(xué)背景的數(shù)據(jù)科學(xué)自由職業(yè)者。他在 Medium 上分享了自己學(xué)習(xí) deeplearning.ai 課程的經(jīng)歷與感想。由雷鋒網(wǎng) AI 科技評(píng)論進(jìn)行編譯。
最近我剛剛完成了 Andrew Ng（吳恩達(dá)） 在 Coursera 上的 deeplearning.ai 的專(zhuān)業(yè)化課程，所以我想與大家分享一下我在學(xué)習(xí)這套課程中的想法以及經(jīng)驗(yàn)。我之前發(fā)現(xiàn)由 Arvind N 撰寫(xiě)的關(guān)于前三堂課程的回顧非常有用，尤其是幫助了我下定決心開(kāi)始學(xué)習(xí)這門(mén)課程，所以我希望我所撰寫(xiě)的這篇回顧也能對(duì)其他人有所幫助。
實(shí)話實(shí)說(shuō)在學(xué)習(xí)了這五堂課之后我感到獲益良多。課程內(nèi)容結(jié)構(gòu)合理，并且對(duì)于那些只有一點(diǎn)點(diǎn)矩陣代數(shù)知識(shí)的人而言也非常友好。然后你必須具備有 Python 編碼的經(jīng)驗(yàn)，哪怕只有一點(diǎn)點(diǎn)。課程里大多數(shù)的編程任務(wù)都設(shè)置得恰到好處。除了它們富有啟發(fā)性的特性之外，嘗試去解決這些問(wèn)題的過(guò)程也是相當(dāng)令人享受。最后，在我看來(lái)，學(xué)習(xí)這門(mén)專(zhuān)業(yè)化課程是你開(kāi)始深入探索深度學(xué)習(xí)各個(gè)領(lǐng)域分支的一條絕佳途徑。并且在學(xué)習(xí)完該課程之后，你將能夠找到自己想在深度學(xué)習(xí)中繼續(xù)深入研究的方向。
首先我必須承認(rèn)，在學(xué)習(xí)這門(mén)課程之前，我對(duì)神經(jīng)網(wǎng)絡(luò)一直保持著懷疑的態(tài)度。因?yàn)槲揖哂袀鹘y(tǒng)機(jī)器學(xué)習(xí)的知識(shí)背景，所以我一度不相信像神經(jīng)網(wǎng)絡(luò)這種將一些函數(shù)（神經(jīng)元）組合在一起的黑盒模型（無(wú)法進(jìn)行單獨(dú)的訓(xùn)練與評(píng)估），能夠超過(guò)一個(gè)經(jīng)過(guò)精心調(diào)整和認(rèn)真評(píng)估驗(yàn)證過(guò)的模型。而另一方面，深度學(xué)習(xí)與人工智能的火爆現(xiàn)象也讓我對(duì)此更加疑慮重重。
盡管如此，我卻認(rèn)真對(duì)待和考慮著每一位和我提起深度學(xué)習(xí)的朋友的建議，尤其是 Shoaib Burq 在蘇黎世舉行的 Apache Spark 聚會(huì)上的一次演講，那次演講是我一個(gè)很重要的轉(zhuǎn)折點(diǎn)。那之后，也就是去年，我決定要對(duì)深度學(xué)習(xí)進(jìn)行一探究竟以解心中疑惑。首先，我開(kāi)始觀看一些視頻、閱讀博客以及跟著一些教程學(xué)習(xí)。不幸的是，這些嘗試證明了我之前的假設(shè)——即深度學(xué)習(xí)背后的數(shù)學(xué)機(jī)理對(duì)我而言過(guò)于高深。盡管我深深地喜歡應(yīng)用數(shù)學(xué)進(jìn)行實(shí)踐，但是當(dāng)涉及到求導(dǎo)推理和抽象理論的時(shí)候，我卻是一個(gè)十足的門(mén)外漢。
當(dāng)我第一次聽(tīng)說(shuō)了 deeplearning.ai 專(zhuān)業(yè)化課程時(shí)我非常地興奮。因?yàn)樵谥暗钠渌n程學(xué)習(xí)中，我已經(jīng)意識(shí)到了 Coursera 平臺(tái)的學(xué)習(xí)方式非常適合我。然后從 Andrew Ng 的第一個(gè)大型開(kāi)放式網(wǎng)絡(luò)課程（Massive Open Online Course, MOOC）的視頻中，我了解到他是一位機(jī)器學(xué)習(xí)領(lǐng)域的好講師。但是由于當(dāng)時(shí)課程任務(wù)采用的編程語(yǔ)言是 Octave，所以那時(shí)我并沒(méi)能完成那個(gè)課程上的任務(wù)。所以在了解到該課程任務(wù)現(xiàn)在采用了 Python 實(shí)現(xiàn)編程（這是我的主要編程語(yǔ)言）之后，我最終確信，該系列課程將能帶領(lǐng)我系統(tǒng)化學(xué)習(xí)深度學(xué)習(xí)。
但首先，我沒(méi)有足夠的時(shí)間來(lái)完成課程作業(yè)。
當(dāng)我在去年年中遭遇（盡管不嚴(yán)重但是卻很麻煩）了身體健康問(wèn)題之后，情況發(fā)生了轉(zhuǎn)變。當(dāng)我感覺(jué)身體好一些之后，我最終下定決心參加第一門(mén)課程。通常情況下，我只在一門(mén)特定的課程中參加一個(gè)我想學(xué)習(xí)的特定主題，觀看視頻并快速完成作業(yè)。但是這一次，我決定要堅(jiān)持從頭學(xué)到尾，并且循序漸進(jìn)。我期望關(guān)于認(rèn)知挑戰(zhàn)主題的工作可以幫助我盡快康復(fù)。然后完成那些編程任務(wù)也是我回歸編程和日常工作的一個(gè)好機(jī)會(huì)。事實(shí)上，在剛開(kāi)始的頭幾周里出于身體健康原因，我被限制了只能在顯示器面前呆上非常短的時(shí)間。所以我不得不把作業(yè)打印出來(lái)，在紙上將它們解決了，之后再上網(wǎng)將這些答案錄入提交。此外，在剛開(kāi)始時(shí)一個(gè)令人意想不到的積極的副作用發(fā)生了。在前三個(gè)課程中有一些可選的視頻，在這些視頻里 Andrew 分別采訪了那些深度學(xué)習(xí)領(lǐng)域的英雄（Hinton、Bengio 和 Karpathy 等）。這些視頻不僅內(nèi)容豐富，而且對(duì)我來(lái)說(shuō)非常具有激勵(lì)性，尤其是 Ian Goodfellow 的視頻。
在專(zhuān)業(yè)層面上，當(dāng)你對(duì)這個(gè)主題相當(dāng)陌生時(shí)，你可以通過(guò)學(xué)習(xí) deeplearning.ai 而獲取到很多的知識(shí)。首先也是最重要的是，你學(xué)到了關(guān)于神經(jīng)網(wǎng)絡(luò)的基本概念，在簡(jiǎn)單的序列模型中一個(gè)前向傳播是如何進(jìn)行的，以及什么是反向傳播等等。我曾經(jīng)多次看到過(guò)并且聽(tīng)說(shuō)過(guò)神經(jīng)網(wǎng)絡(luò)的這些基本構(gòu)建塊。但是 Andrew Ng 所給出的定義和介紹卻是最清晰和最系統(tǒng)的。所以我認(rèn)為這套課程是一個(gè)學(xué)習(xí)這些基礎(chǔ)的非常有效的途徑，并且比我之前學(xué)習(xí)過(guò)的那些教程、博客以及演講都來(lái)的有價(jià)值。
作為一個(gè)側(cè)面說(shuō)明，第一堂課就立即證明了我之前的假設(shè)是錯(cuò)誤的——即深度學(xué)習(xí)所涉及的數(shù)學(xué)知識(shí)對(duì)我而言過(guò)于高深。事實(shí)上，課程中大多數(shù)的概念都在我上學(xué)期間或者學(xué)習(xí)期間有接觸過(guò)——而我并沒(méi)有碩士文憑，所以不要讓那些公式中看起來(lái)很精致的希臘字母嚇到了。你所要具備的基礎(chǔ)知識(shí)只是知道一點(diǎn)點(diǎn)如何計(jì)算矩陣代數(shù)，懂得通過(guò)偏導(dǎo)來(lái)計(jì)算梯度，懂得基本的線性回歸模型以及梯度下降法，而剩下的其它知識(shí) Andrew 都會(huì)教你的。
正如你在其它許多技術(shù)資料中接觸到一樣，你將在第一堂介紹課中學(xué)習(xí)到深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在生物模型中并沒(méi)有對(duì)應(yīng)物。神經(jīng)元中的信號(hào)處理機(jī)制與深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)的功能（先是線性計(jì)算然后通過(guò)激活函數(shù)引入非線性）非常不一樣。
對(duì)新手們而言非常有用的一點(diǎn)是去學(xué)習(xí)深度學(xué)習(xí)項(xiàng)目的不同方法。比如是采用預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)還是采用一種端到端的學(xué)習(xí)方法。此外數(shù)據(jù)增強(qiáng)的概念至少在方法論層面得到了解決。
在更高級(jí)的課程中，你將接觸到圖像識(shí)別（課程4）和序列模型（課程5）。這兩節(jié)課介紹了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）最常見(jiàn)的變體。而我認(rèn)為這是專(zhuān)業(yè)化的一個(gè)主要優(yōu)勢(shì)，你可以學(xué)習(xí)到各種最先進(jìn)的模型和方法。盡管它可能無(wú)法讓你成為深度學(xué)習(xí)的專(zhuān)家，但是你將認(rèn)識(shí)到你可以進(jìn)一步專(zhuān)注于該領(lǐng)域哪一個(gè)分支。
另外我發(fā)現(xiàn)對(duì)加深課程理解非常有用的是，通過(guò) Fran?ois Chollet 編寫(xiě)的書(shū)籍《深度學(xué)習(xí)與 Python》 來(lái)補(bǔ)充課程作業(yè)部分缺失的知識(shí)。這本書(shū)中缺失的技術(shù)方法論基礎(chǔ)在課程講座中得到了很好的解釋。另一方面，那些在本課程中提到但是卻沒(méi)有在作業(yè)中得到廣泛實(shí)施的深度學(xué)習(xí)項(xiàng)目，這些內(nèi)容在本書(shū)中也有更詳細(xì)的介紹。特別是數(shù)據(jù)預(yù)處理部分在本課程的編程任務(wù)中明顯缺失。你可以在第二個(gè)以及第四個(gè) MOOC 中獲取關(guān)于如何使用深度學(xué)習(xí)框架（Tensorflow 和 Keras）的教程，但是顯而易見(jiàn)的是，這本由 Keras 創(chuàng)建者編寫(xiě)的書(shū)將教你如何更深入地實(shí)現(xiàn)深度學(xué)習(xí)模型。
接下來(lái)我將逐一介紹你可以期待從這五門(mén)課程中學(xué)習(xí)到什么，以及一些與課程作業(yè)有關(guān)的個(gè)人經(jīng)驗(yàn)。最后，我還將總結(jié)一下一些個(gè)人想法。
該課程將向你介紹神經(jīng)網(wǎng)絡(luò)的基本構(gòu)建模塊。你將學(xué)習(xí)到 Logistic 回歸、損失函數(shù)、激活函數(shù)以及梯度下降法（隨機(jī)梯度下降法和小批量梯度下降法）是如何工作的。同時(shí)還將快速介紹如何使用 Python 的 Numpy 庫(kù)進(jìn)行矩陣代數(shù)計(jì)算。
對(duì)一張貓的圖像進(jìn)行分類(lèi)預(yù)測(cè)
該課程的主要任務(wù)是進(jìn)行概覽式簡(jiǎn)介。Andrew Ng 是一位出色的講師，即便是那些數(shù)學(xué)基礎(chǔ)較差的同學(xué)應(yīng)該也能很好地理解上課所講的內(nèi)容。
在這次作業(yè)中，你將首先采用單個(gè)感知機(jī)實(shí)現(xiàn)一個(gè)二元分類(lèi)任務(wù)，然后升級(jí)為一個(gè)多層感知機(jī)來(lái)實(shí)現(xiàn)相同的任務(wù)目標(biāo)，最后一項(xiàng)作業(yè)則是通過(guò) Numpy 編碼實(shí)現(xiàn)一個(gè)深度神經(jīng)網(wǎng)絡(luò)。尤其是這兩個(gè)圖像分類(lèi)任務(wù)在某種意義上具有啟發(fā)性和回報(bào)性，因?yàn)槟銓⒆罱K實(shí)現(xiàn)一個(gè)喵咪分類(lèi)器。正如你在上圖看到的那樣，它能夠判斷一張圖像上是否有貓存在。
正如標(biāo)題所示，在本課程中，你將學(xué)習(xí)如何微調(diào)深度神經(jīng)網(wǎng)絡(luò)。這幾節(jié)課程解決了最常見(jiàn)的問(wèn)題，比如過(guò)擬合和梯度消失/爆炸。你將學(xué)習(xí)到如何找到合適的權(quán)重初始化、使用 dropouts 技術(shù)、正則化以及歸一化操作。當(dāng)然，還將學(xué)習(xí)到不同的優(yōu)化算法變體都是如何進(jìn)行工作的，以及該為自己的問(wèn)題選擇哪一種優(yōu)化算法最為恰當(dāng)。
對(duì)我而言，本課程最有用的一個(gè)知識(shí)是采用隨機(jī)值來(lái)調(diào)整超參數(shù)，而不是通過(guò)一種更加結(jié)構(gòu)化的方法。事實(shí)證明，在定義的空間和正確的尺度上選取隨機(jī)值比使用網(wǎng)格搜索更加有效，如果你從事過(guò)傳統(tǒng)的機(jī)器學(xué)習(xí)，你應(yīng)該對(duì)網(wǎng)格搜索非常熟悉。
這次課程的任務(wù)則有點(diǎn)枯燥，我猜這是因?yàn)樗麄冇斜仨毺幚淼膬?nèi)容。但是每一個(gè)作業(yè)都大有裨益——特別是關(guān)于優(yōu)化方法的作業(yè)。作為獎(jiǎng)勵(lì)，你將在課程結(jié)束時(shí)獲得有關(guān)如何使用 Tensorflow 的教程，這對(duì)后續(xù)課程即將進(jìn)行的作業(yè)而言非常有用。
這次課程絕對(duì)是一只黑天鵝。由于它被設(shè)計(jì)成為期兩周的課程學(xué)習(xí)，我期望在前兩個(gè)入門(mén)課程和之后的關(guān)于 CNN 和 RNN 的高級(jí)課程之間有一個(gè)快速的填充。此外，我本來(lái)認(rèn)為我非常習(xí)慣于構(gòu)建機(jī)器學(xué)習(xí)項(xiàng)目。但是事實(shí)證明，這對(duì)我來(lái)說(shuō)是最有價(jià)值的課程。
在本課程中，你將學(xué)習(xí)開(kāi)發(fā)深度學(xué)習(xí)模型的優(yōu)良實(shí)踐方法。對(duì)于大多數(shù)機(jī)器學(xué)習(xí)從業(yè)者而言，應(yīng)該會(huì)對(duì)將數(shù)據(jù)集分解成訓(xùn)練、校驗(yàn)和測(cè)試三分部分這種操作感到熟悉。在開(kāi)始項(xiàng)目之前，我們必須確認(rèn)我們所要優(yōu)化的指標(biāo)。而且，你應(yīng)該針對(duì)人類(lèi)層次誤差（Human-Level-Error, HLE）分別量化模型執(zhí)行域的貝葉斯最優(yōu)誤差（Bayes-Optimal-Error, BOE）。這是一個(gè)重要的步驟，而我之前卻一直沒(méi)有意識(shí)到（通常情況下，我將性能與基準(zhǔn)模型進(jìn)行了比較——這一點(diǎn)同樣重要）。當(dāng)你必須評(píng)估模型性能時(shí)，你當(dāng)然會(huì)將校驗(yàn)誤差與 BOE（或 HLE）和訓(xùn)練誤差進(jìn)行比較。因此，你可以將可避免偏差（BOE 與訓(xùn)練誤差）和模型方差（訓(xùn)練誤差與校驗(yàn)誤差）進(jìn)行比較。而這兩者哪一個(gè)更大，將決定了你應(yīng)該采取什么樣的策略來(lái)進(jìn)一步提高性能。例如，如果方差存在問(wèn)題，你可以嘗試獲取更多的數(shù)據(jù)、引入正則項(xiàng)或者嘗試一種全新的不同的方法（例如，替代架構(gòu)或不同的超參數(shù)搜索方法）。
你還可以學(xué)習(xí)到創(chuàng)建項(xiàng)目的不同策略以及遷移學(xué)習(xí)與端到端學(xué)習(xí)的詳細(xì)內(nèi)容。
由于我對(duì)計(jì)算機(jī)視覺(jué)不太感興趣，至少在我參加這次課程之前，我對(duì)計(jì)算機(jī)視覺(jué)這塊內(nèi)容的期待并沒(méi)有太高。但是事實(shí)證明，這成為了我整個(gè)系列課程中最具有教育意義的一門(mén)課程。
在本課程中，你將主要學(xué)習(xí) CNN 以及它是如何被應(yīng)用于計(jì)算機(jī)視覺(jué)任務(wù)的。從課程視頻中，你可以了解 CNN 的構(gòu)建模塊以及它們是如何能夠變換張量的。有些視頻也專(zhuān)門(mén)介紹了殘差網(wǎng)絡(luò)（Residual Network, ResNet）和 Inception 架構(gòu)。
基于 YOLO 的動(dòng)物檢測(cè)
我另外找到了一些有關(guān) YOLO 算法的精彩視頻。YOLO 的基本功能在課程中被非常好地可視化了出來(lái)，這些都讓我耳目一新，也讓我意識(shí)到了物體檢測(cè)原來(lái)也可以是一件令人愉快的工作。但是光建立一個(gè)性能優(yōu)秀而復(fù)雜的模型有時(shí)候還不夠，因?yàn)楹茱@然，預(yù)測(cè)的速度也是一項(xiàng)非常重要的指標(biāo)。
這應(yīng)該是該系列課程的五個(gè)任務(wù)中最具有教育意義的一個(gè)，在這里你需要實(shí)現(xiàn)一個(gè)低層次抽象 CNN 架構(gòu)。然后選做部分的編碼實(shí)現(xiàn)反向傳播，加深了我對(duì)這種反向?qū)W習(xí)過(guò)程的理解。
人臉識(shí)別中有兩個(gè)任務(wù)。在這個(gè)主題下的課程和作業(yè)，給了我們一次很好的機(jī)會(huì)來(lái)認(rèn)識(shí) deeplearning.ai的團(tuán)隊(duì)成員們——至少能見(jiàn)識(shí)到他們的照片。因?yàn)樗麄兊恼掌挥脕?lái)作為驗(yàn)證用的圖像。
神經(jīng)風(fēng)格轉(zhuǎn)換
這里還有一個(gè)與藝術(shù)有關(guān)的任務(wù)，這就是神經(jīng)風(fēng)格轉(zhuǎn)換（Neural Style Transfer）。基本上，你必須通過(guò) Tensorflow 實(shí)現(xiàn) Gatys 等人在 2015 年的論文中所提出的架構(gòu)。除了課程的要求之外，我還用這個(gè)模型自?shī)首詷?lè)了一會(huì)，并且得到了一些既有趣又恐怖的結(jié)果。當(dāng)你瀏覽中間記錄的結(jié)果時(shí)，你可以看到模型是如何學(xué)習(xí)并在每次迭代中將樣式應(yīng)用到輸入圖像之上的。曾經(jīng)有那么一瞬間我覺(jué)得就像科學(xué)怪人一般，因?yàn)槲业哪Ｐ蛷脑磮D像的眼睛區(qū)域進(jìn)行了學(xué)習(xí)，并將該特征應(yīng)用到了輸入圖像的人臉中，所以它一不小心就成了 DeepFake。
這是本系列最后一堂課，也是我認(rèn)為最難的一部分。這里你將學(xué)到 RNN、門(mén)控重復(fù)單元（Gated Recurrent Unit, GRU）和長(zhǎng)短時(shí)記憶（Long Short-Term Memory, LSTM）的基本概念，以及它們的雙向?qū)崿F(xiàn)。雖然對(duì)我而言，實(shí)現(xiàn)專(zhuān)業(yè)化的理解和使用這些模型是我的最終目標(biāo)，但是我依然覺(jué)得這些內(nèi)容難以掌握。這可能是因?yàn)槔镞厪?fù)雜的概念，比如時(shí)間反向傳播（Back propagation through time）、詞嵌入向量（Word embeddings）或者束搜索（Beam search）。而且我認(rèn)為，這些較難的主題應(yīng)該劃分成四周時(shí)間進(jìn)行學(xué)習(xí)會(huì)更好，而不是現(xiàn)在的三周。
另一方面，本次課程的測(cè)驗(yàn)和編程作業(yè)都顯得非常簡(jiǎn)單。你將學(xué)習(xí)如何構(gòu)建 RNN，該 RNN 能夠從字符序列中學(xué)習(xí)以生成新的相似內(nèi)容。例如，你必須編寫(xiě)一個(gè)模型來(lái)為恐龍起名字。LSTMs 在各種各樣的任務(wù)中都能發(fā)揮作用。你構(gòu)建一個(gè)能以莎士比亞風(fēng)格寫(xiě)詩(shī)的模型，只要給定一個(gè)序列作為開(kāi)始。然后在另外一個(gè)項(xiàng)目中，你可以再次變得富有藝術(shù)性。你必須構(gòu)建一個(gè) LSTM，使它學(xué)習(xí)爵士樂(lè)音樂(lè)庫(kù)中的音樂(lè)模式，之后再使用這個(gè)模型來(lái)生成一個(gè)新的爵士即興創(chuàng)作。我的結(jié)果聽(tīng)起來(lái)是這樣的，雖然差強(qiáng)人意，但是它聽(tīng)起來(lái)至少還是有點(diǎn)爵士的感覺(jué)。然后接下來(lái)這個(gè)又是需要 LSTM，這次你需要把 LSTM 與一個(gè)嵌入層進(jìn)行結(jié)合，這個(gè)模型可以檢測(cè)輸入序列的語(yǔ)義情緒，并在句尾添加最合適的表情符號(hào)。
通過(guò)詞嵌入和 LSTM 實(shí)現(xiàn)自動(dòng)添加表情
很棒的是，你在第二周學(xué)習(xí)的不僅是關(guān)于詞嵌入，還有詞嵌入中所包含的社會(huì)偏見(jiàn)問(wèn)題。而最重要的是，你將學(xué)習(xí)如何以三步走的方式來(lái)解決這個(gè)問(wèn)題：識(shí)別（Identify）——抵消（Neutralize）——均衡（Equalize）。最后，一個(gè)非常有教育意義的任務(wù)是最后的一個(gè)編程作業(yè)。你可以構(gòu)建一個(gè)觸發(fā)器單詞檢測(cè)器（Trigger Word Detector），正如你喚醒 Amazon Echo 和 Google Home 設(shè)備那樣。我鄭重承諾，我的模型比 Google 智能助理更了解我，并且它還有一個(gè)更加愉快的喚醒詞匯。
最后，我想說(shuō)的是，如果你對(duì)深度學(xué)習(xí)相對(duì)陌生，你將可以從這個(gè)專(zhuān)業(yè)化課程中學(xué)到很多知識(shí)。如果你已經(jīng)對(duì)神經(jīng)網(wǎng)絡(luò)有了一定的了解，那么可以跳過(guò)前兩門(mén)課程。如果你對(duì)圖像識(shí)別和序列模型也非常熟悉了，那么建議你僅參加“構(gòu)建機(jī)器學(xué)習(xí)項(xiàng)目”這個(gè)課程。
另一方面，要清楚地知道自己屬于哪一種學(xué)習(xí)類(lèi)型。如果你是一個(gè)嚴(yán)格的動(dòng)手實(shí)踐派，這種專(zhuān)業(yè)化課程可能并不適合你，你應(yīng)該去尋找其它更合適的課程。據(jù)說(shuō)，fast.ai 提供了更豐富的動(dòng)手操作體驗(yàn)。另外，如果你只對(duì)理論化的東西感興趣，而對(duì)實(shí)際動(dòng)手實(shí)現(xiàn)不感興趣，那么你可能也不會(huì)對(duì)該課程感到滿意——那么我建議你選修當(dāng)?shù)卮髮W(xué)所開(kāi)設(shè)的一些相關(guān)課程。也許你只是對(duì)深度學(xué)習(xí)的某一特定領(lǐng)域感興趣，那么對(duì)你來(lái)說(shuō)也可能存在其它更合適的課程。比如說(shuō)，如果你只想了解自動(dòng)駕駛，那么在 Udacity 上注冊(cè)不提供學(xué)位證書(shū)的「自動(dòng)駕駛汽車(chē)」課程可能來(lái)的更有效率。盡管在 deeplearning.ai 的第三課中也介紹了自動(dòng)駕駛，但是這些內(nèi)容過(guò)于皮毛，而且缺乏實(shí)踐指導(dǎo)。但是，如果你更重視全面的介紹，并且希望將它與深度學(xué)習(xí)的各個(gè)領(lǐng)域的實(shí)踐經(jīng)驗(yàn)結(jié)合起來(lái)，那么我肯定會(huì)推薦 deeplearning.ai。
學(xué)習(xí)這個(gè)專(zhuān)業(yè)化課程可能不僅僅只是你進(jìn)入深度學(xué)習(xí)領(lǐng)域的第一步。我會(huì)說(shuō)，其中的每一門(mén)課程都引領(lǐng)著你朝著正確的方向邁出了一步，所以你最終總共邁出了五步。盡管如此，我也很清楚，那就是這樣也還不足以幫助你在人工智能領(lǐng)域追求更長(zhǎng)遠(yuǎn)的職業(yè)發(fā)展。我認(rèn)為該系列課程幫你構(gòu)建起了對(duì)該領(lǐng)域的一個(gè)基本理解。但是進(jìn)一步說(shuō)，你必須持之以恒進(jìn)行實(shí)踐，最后還可以考慮閱讀更多有關(guān)于深度學(xué)習(xí)變體方法論的背景知識(shí)（例如在課程中提到的更高級(jí)的論文）。但是通過(guò)這門(mén)課程的學(xué)習(xí)，你可以開(kāi)始以系統(tǒng)化的方式進(jìn)入該領(lǐng)域——這是非常有價(jià)值的，尤其是當(dāng)前深度學(xué)習(xí)領(lǐng)域存在著如此紛繁眾多的分支。
如果你想獲得關(guān)于 deeplearning.ai 專(zhuān)業(yè)化課程的更多資訊，并且還想知道其他人的觀點(diǎn)（與我相似）：我推薦你去觀看 Christoph Bonitz 關(guān)于他參加該系列 MOOC 經(jīng)歷的演講。你可以在這里觀看錄像視頻。
最重要的是，我絕不會(huì)后悔把時(shí)間花在 Coursera 的專(zhuān)業(yè)課上。因?yàn)槲业拇蟛糠制诖家呀?jīng)得到了滿足，并且我在專(zhuān)業(yè)化層面上學(xué)習(xí)到了非常多知識(shí)。完成所有的課程包括選修部分，這也是一個(gè)不錯(cuò)的選擇。我非常感謝 Andrew Ng 鼓勵(lì)我們?nèi)ラ喿x論文，以便于能在特定主題上深入探索。因此，你將從 MOOC 的課堂中獲得一份精選的閱讀列表，我認(rèn)為這也是非常有用的。
最后，我對(duì)于這門(mén)專(zhuān)業(yè)化課程給出的關(guān)鍵要點(diǎn)是：現(xiàn)在我完全相信深度學(xué)習(xí)方法和它的強(qiáng)大功能。它的主要優(yōu)勢(shì)在于對(duì)大量數(shù)據(jù)的擴(kuò)展性以及對(duì)相似任務(wù)泛化能力，而這些可能是傳統(tǒng)機(jī)器學(xué)習(xí)模型不具備的能力。所以，我想感謝 Andrew Ng，感謝整個(gè) deeplearning.ai 團(tuán)隊(duì)，感謝 Coursera 提供了如此有價(jià)值的內(nèi)容。而且我絕對(duì)期待，不久的將來(lái)這門(mén)專(zhuān)業(yè)課可能會(huì)迎來(lái)第六門(mén)課程——關(guān)于深度強(qiáng)化學(xué)習(xí)的話題！
聲明：作者并不隸屬于 deeplearning.ai、Coursera 或其它 MOOC 供應(yīng)商。這是作者在 2017-11 至 2018-02 期間撰寫(xiě)的關(guān)于自己參加這次課程的個(gè)人經(jīng)歷體驗(yàn)。此外，本博客提到課程內(nèi)容不具有普遍的參考意義，因?yàn)楣俜降恼n程設(shè)置在將來(lái)可能發(fā)生變化。
Via Review of Deeplearning.ai Courses，雷鋒網(wǎng) AI 科技評(píng)論編譯
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
