吴恩达的深度学习课：我的课程回顾
来源：DATA meets MEDIA
智能观 编译
吴恩达深度学习的五门课程旨在为新手和实践者提供一套关于深度学习的速成课程——从全连接的神经网络到卷积网络再到序列模型。我选择了五门课程，并修完了其中四门。(卷积神经网络课程还没有完成，不过我已经掌握了足够的材料，写好这篇评论！)
以下是我对这个系列课程的回顾。
卷积网络和深度学习
本系列课程的第一课侧重于深度学习的基础。它将逻辑回归解释为单层网络、浅层网络，最后将深层网络解释为浅层网络的堆叠。
如果你已经学习了吴恩达老师的机器学习课程，那么深度学习的第一门课基本上只是其神经网络部分的阐述。本课程的优点在于它是用纯Python编写的。而较老的课程是用一种非常不方便且使用不广泛的语言Octave (又名免费的Matlab )完成的，学习这门语言差不多要耗费整个课程一半的精力。
对于纯初学者来说，学习本课程是绝对必要的。一遍又一遍地学习这门课程，直到你明白为止。我对这门课（包括其他课）的唯一不满就是Jupyter笔记练习中基本只有填空练习。我认为肯定会有更具挑战性的事情值得练习。
评级:
★★★★★
改善深层神经网络
这个系列的第二门课程学习时间比较短，只有三个星期。它着重介绍训练神经网络时的一些细节——不同类型的正则化、优化算法和参数调整。它还简要介绍了TensorFlow的编程框架，可以说这是现在最受欢迎的深度学习库。
老实说，我对这门课程介绍的训练细节的深度和技术性感到非常震惊。这不是一门单调的课程。很多技巧是我经常忽略的。本课程是一份很好的总结，但实践中并不是必须要掌握的。实际上，你可以在工作中运行dropout层或Adam优化器，但了解它们的工作方式很好。另一个吹毛求疵的地方是TensorFlow的内容覆盖面有点不足。对于一个旨在成为深度学习事业起点的课程来说，关于TensorFlow的讨论有点太浅了。
我不认为这门课必须尽早学。这部分值得了解，但并非必需。
评级:
★★★☆☆
结构化机器学习项目
这门课竟然只有两周。他们为什么不把它和上一门课合并呢？本课程的重点是机器学习策略，即如何设置机器学习项目。具体而言，本课程将讨论如何设置数据集随机切分，确定优化度量，偏差、方差和误差分析，以及一些新范式，如迁移学习。
同样，本门课很容易了解，但并不重要，就像第二门课一样。不过，我个人认为本课程的学习比第二门课更重要一些。第二门课程涉及训练的技术层面，而本课程更侧重建立机器学习项目的实际层面。
评级:
★★★★☆
卷积神经网络
第四和第五门课程是该系列课程最亮眼的部分。如果你对图像数据更感兴趣，那么本课程就是为你准备的。卷积神经网络是本课程的重点。
你将了解卷积神经网络的两大部分——卷积层和池化层，以及如何将这两个层相互堆叠，从而在图像分类任务中获得惊人的成果。您还将了解市场上不同的著名卷积神经网络: ResNets、VGG、Inception。实际应用方面，如目标检测和面部识别也贯穿了整个课程。
这是我到现在为止唯一还没学完的课程。对不起，我只是没有那么热衷于处理图像数据。不过，毫无疑问，吴恩达老师的卷积神经网络的基础知识讲座是非常优秀的。与vannile全连接模型相比，我能够完全理解卷积神经网络的工作原理。
本课程是深度学习中迈入空间模型的第一步，我计划很快完成本课程。我唯一认为不足的地方是，吴老师没有用一种容易理解的方式来解释市场上不同卷积神经网络的涉及面，我基本上放弃了这一部分。
评级:
★★★★☆
序列模型
最后一门课程是关于序列的。此处的大多数应用属于自然语言处理，但也讨论了一些在音乐生成和语音识别中的应用。本部分涉及的主题包括递归神经网络( RNNs )、长短期记忆( LSTM )网络、word 2vec和GloVe等嵌入模型以及翻译和转录的序列到序列体系结构。
我非常喜欢使用文本数据，所以我非常喜欢这门课。在本课程之前，我从未完全掌握RNN。第一周的课程非常精彩，吴恩达老师以非常丰富的方式讨论了RNN技术。这才应该是每个人的第一次RNN入门学习。不要读博客！它们只会让你迷惑。关于NLP的部分也很有趣。word2Vec和情感分析的探讨范围非常深远。
然而，第三周的课程有点仓促。主要原因是序列到序列模型的信息过载。波束搜索和注意机制是非常复杂的模型，为了更全面地讨论它们，我认为课程需要进行更多的阐述。
评级:
★★★★☆
接下来向大家推荐两本实用的书。这两本书都没有过多地论述理论。
如果你在寻找一个好的机器学习的读物，那么一定要看看James的《统计学习入门》（
这才是学习现代统计学最好的书籍，还免费 ||附资源
）虽然它是以R语言探讨的，但不同技术的阐述非常精彩。
如果你想更专注于深度学习，看看Patterson的《深度学习》。
链接：
https://pan.baidu.com/s/1R-B5pUP2Edaa6gihJ2wUlg
http://datameetsmedia.com/deep-learning-andrew-ng-review/
—完—
亲爱的朋友：
本文是一位学习完的同学对该课程的回顾与总结。我们整理出来，分享给你，希望对想学习的你有所帮助。
祝安！
智能观 一米
2018-4-2 于北京中关村
想知道AI加教育领域有哪些最新研究成果？
想要AI领域更多的干货？
想了解更多专家的“智能观”？
请在对话界面点击“找找看”，去获取你想要的内容吧。
声明：
编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。
转载智能观原创文章，请联系
智能观小艾（微信号：zng2017618）！
关于我们
我们关注AI+教育。致力于提供高附加值的知识，以帮助每一位老师和我们的读者不断学习并提高技能。
我们努力让发表的每一篇文章都具有最佳质量，以满足读者的需求。
- 发表于:
- 原文链接：http://kuaibao.qq.com/s/20180402A1EOP100?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
