吳恩達Deeplearning.ai課程學習全體驗：深度學習

選自Medium

作者：Arvind N

參與：路雪、李澤南

8 月 8 日，吳恩達正式發布了 Deepleanring.ai——基於 Coursera 的系列深度學習課程，希望將人工智慧時代的基礎知識傳播到更多人身邊。一周過去後，許多人已經學完了目前開放的前三門課程。這些新課適合哪些人，它是否能和經典的《機器學習》課程相比呢？讓我們先看看這篇先行體驗。

在全職工作與家庭瑣事之間，很多人都希望利用自己的剩餘時間學習認知科學和人工智慧的知識，如果突然出現了一套優秀的課程，那麼一切就會變得簡單起來。

吳恩達最近推出的 deeplearning.ai 課程就是這樣的存在。

該課程一在 coursera 上發布，我立即註冊並花了四個晚上觀看其中的講座、參加考試、完成編程作業並通過了課程。

深度學習從業者和機器學習工程師通常會把大量時間花費在 Keras 與 TensorFlow 這樣的抽象工作中。但如果花上一點時間深入了解學習演算法的本質，手動編寫反向傳播會是一種非常有意義的過程。這不僅有趣，而且能夠讓你學到很多！

Deeplearning.ai 包含的內容

作為深度學習先驅吳恩達的全新嘗試，Deeplearning.ai 是一個自下而上教你神經網路原理的課程體系，同時淺顯易懂，處於初級-中級難度。

這是經典的吳恩達風格，知識通過精挑細選的課程、長短合適的視頻與精準設置的信息塊共同呈現。吳恩達從他著名的《機器學習》課程遺漏的信息說起，由單一神經元（邏輯回歸）的角度入手介紹神經網路，隨後慢慢增加複雜性——加入更多的神經元和更多層。在四周課程結束時（第一門課程），學生就會學到構建複雜神經網路的所有核心知識，如損失函數、梯度下降和向量化並行 python（numpy）實現。

對於深度學習背後的數學和編程概念，吳恩達也會進行循序漸進的耐心講解，保證學生可以對數學與代碼保持興趣。

課程資料與工具

視頻講解

演講使用幻燈片演示，附以吳恩達本人的筆記。這看起來是一種能讓人時刻集中精力的方法。我覺得將視頻速度調至 1.25 倍或 1.5 倍速度是最好的。

測試工具

測試被安排在每個講課視頻之後，以選擇題的形式出現。如果你完整地觀看了視頻，這些問題應該很容易回答。你也可以多做幾遍題，系統會保留測試成績最高分。

Jupyter notebook 編程作業

編程作業需要使用 Jupyter notebook 來做，這是一種強大的網頁版應用。

作業具有非常好的引導順序結構，你在每個空格中只需寫兩到三行代碼。如果你了解向量化等概念，你也可以用一行的長度完成大多數編程題！

在作業做完後，你需要點擊按鈕提交自己的代碼，自動打分系統會在幾分鐘後返回你的分數。一些作業會有時間限制——比如 8 小時只能提交三次。

Jupyter notebook 設計精良，沒有任何 bug，它們就像拋光打磨好的完美工業產品。

課程適合人群

任何有興趣了解神經網路是什麼及其工作原理；以及想要構建神經網路工具，對將想法轉變為現實的工具感興趣的人都適合參與本課程。

數學不夠好？不必擔心，吳恩達解釋了所有必要的微積分問題，並在每種情況下都會解釋其中的衍生，這樣你就可以專註於構建神經網路，把自己的想法通過代碼實現了。

如果你編程不夠好，課程中也有教你使用 numpy 的作業題。但我還是推薦你事先在 codecademy 中學習 python 的基礎知識：https://www.codecademy.com/learn/learn-python。

該課程與 Jeremy Howard 的 Fast.ai 課程有何區別

讓我用一個類比來解釋：假設你在學開車。

Jeremy 的 FAST.AI 課程是從你坐在駕駛位開始教學。他教你轉動方向盤、踩剎車和油門等等。然後他詳細地解釋汽車的工作原理：為什麼轉動方向盤可以使車子轉向、為什麼踩剎車可以減速和停車等。他讓你不斷深入了解汽車的內部工作原理，課程結束時，你了解了內燃機引擎的工作原理、油箱的設計原理等。該課程旨在教你學會開車。你可以選擇在學會開車後在任意時間點停止學習，如果你覺得沒必要學會如何造車或修車的話。

吳恩達的深度學習課程也講授以上所有內容，但是順序完全相反。他先教你內燃機引擎！然後不斷增加抽象層，課程結束時，你的開車技術就像 F1 賽車手！

Fast AI 課程主要教你開車，而吳恩達的課程主要教你車背後的工程原理。

如何學習這門課程

如果你之前對機器學習沒有了解，那麼先別學這門課。最好先學習吳恩達之前發布在 coursera 上的機器學習課程（https://www.coursera.org/learn/machine-learning）。

完成那門課程後，再完成 Jeremy Howard 精彩的深度學習課程（http://course.fast.ai）的第一部分。Jeremy 從上而下地講授深度學習，這對初學者是必要的。

如果你可以順利構建深度神經網路，那麼你就可以學習這門新的 deeplearning.ai 課程（https://www.deeplearning.ai ）了。如果你對底層細節和概念有不理解的地方，這門課將解答你的疑惑。

我喜歡這門課的地方

事實明明白白擺出來——周期性地消除任何不確定和歧義。

Andrew 強調深度學習的工程方面，提供大量節省時間和金錢的實用技巧。我作為工程團隊中的主要工程師，學習該課程的第三門課使我受益匪淺。

專門術語處理的很好。Andrew 認為經驗性過程就是試錯的過程。他極其誠實地陳述設計和訓練深度網路的現實。在某些時刻，我覺得他可能認為深度學習是美化過的曲線擬合（curve-fitting）。

摒棄一切對深度學習和人工智慧的炒作。Andrew 對主流媒體大量關於 AI 的炒作給出了剋制、認真的評論，課程結束時，你可以明確一點：深度學習不是終結者。

好的樣板代碼（boilerplate code）能夠開箱即用！

卓越的課程結構。

一致、有用的符號。Andrew 試圖構建一套神經網路新的命名法，我認為他做到了。

Andrew 獨有的講課風格，延續了之前機器學習課程的風格。我可以感受到和 2013 年學習深度學習課程時一樣的興奮。

深度學習傑出人物專訪令人耳目一新。聽到這些前輩的個人故事非常鼓舞人心，也很有趣。

我認為這門課缺少什麼

我希望 Andrew 更頻繁地說「concretely」（具體來說）！

我從這門課中額外學到的內容

1. 深度學習並不簡單。你需要花費大量時間、大量艱苦的工作才能「學會」概念，並使模型正常運轉。Andrew 不久前寫過一個 quora 答案（https://www.quora.com/How-should-you-start-a-career-in-Machine-Learning/answer/Andrew-Ng?srid=TS2A），使我產生了很強的共鳴。

2. 好的工具非常重要，將幫助你提高學習速度。看到 Andrew 講課的時候使用了一支數碼筆，我也買了一支，它幫助我更高效地工作。

黑色墨水是 Andrew 的筆跡，其他顏色是我的筆跡

3. 我推薦大家在學習這門課程之前先學習 Fast.ai 課程還有一個心理原因。那就是一旦你找到了激情，你就可以隨心所欲地學習。

4. 你每次得滿分時就會獲得多巴胺的刺激。

5. 不要被深度學習術語（hyperparameters = settings, architecture/topology=style 等）或數學符號嚇到。如果大膽嘗試，認真聽課，Andrew 會展示這些符號和記號為什麼如此有用。它們將很快成為你的得意工具！

一些看起來很可怕的符號。當你開始看課程視頻時，這些符號就會變的好理解了。

結語

1. 每個人都是作為初學者開始這一領域的學習或工作。如果你是深度學習領域的初學者，被這些術語和概念嚇到是很自然的事。但是請不要放棄。你可能被這個領域吸引，找到自己的使命。相信自己的直覺，保持專註，你可以獲得成功！即使吳恩達也得學習線性代數不是嗎？他也不是生來就具備這些知識的。

2. 儘管這是非常好的資源，但它不是世界上唯一的深度學習課程。許多慷慨的教師，如 Salman Khan 、Jeremy Howard、Sebastian Thrun、Geoff Hinton，和吳恩達一樣在網上免費分享他們的知識。我不是很幸運，為了找到工作養家糊口，我沒有讀博士學位，但這並不意味著我要停止學習。多虧了知識的民主化進程，我才有機會制定自己的學習計劃，還能學習我最崇拜的人們的課程：編程（Gerald Sussman）、線性代數（Gilbert Strang）、AI（Marvin Minsky）、哲學（Daniel Dennett）、心理學（Jean Piaget）、物理學（Hans Bethe）。

3. 大部分應用深度學習真的是嚴謹的工程問題。吳恩達教授在第 3 門課程（目前 3 門課程中我最喜歡的一門）中提供了非常有趣的解釋。利用深度學習解決問題所需的思想和解決任何複雜的工程問題所需的思想一樣。你需要了解的一切早在幾十年前 Claude Shannon 就已經清晰地寫好了（https://medium.com/the-mission/a-genius-explains-how-to-be-creative-claude-shannons-long-lost-1952-speech-fbbcb2ebe07f）。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！