【1】Andrew NG Deep Learning.ai

http://deeplearning.ai/

网易云课堂（中文字幕）：http://mooc.study.163.com/smartSpec/detail/1001319001.htm

推荐理由：Andrew Ng老师是讲课的能手，很多人认识他是从Stanford的经典《机器学习》课程上。Andrew老师授课思路清晰，简洁明了。相信这门他宣布创业后推出的第一门课程一定不会让人失望。

最近， Andrew Ng 在Twitter上发布了关于这门课程的消息。从2014年初开始，我就一直在关注他，我正在参加他在Coursera上的一门课程，学习和机器学习有关的数学知识。从工程背景出发，他的第一门课程非常有趣，同时也有点难度。2016年底的时候，吴先生从百度离职，不再担任百度的首席科学家，并于今年8月8日推出了一个新的深度学习专业化的课程。我在今年晚些时候才想起来，因为我的时间之前一直被一些其他的项目所占据。然后我从Fast.ai上 Arvind N的学生那里读到了一篇关于他如何在4天内完成所有3节课的博客以及他对fast.ai和deeplearning.ai的看法。

4天内完成所有3节课的博客

https://medium.com/towards-data-science/thoughts-after-taking-the-deeplearning-ai-courses-8568f132153

我想挑战自己，看是否我可以在不到4天内完成相同的事情。并且我成功了，在3天内完成了3门课程。

关于指导老师：

Andrew Ng是斯坦福大学教授，共同创办了Coursera，成立并领导了Google Brain的深度学习项目，并曾任百度首席科学家。课程反映了他在各种大规模问题上学习到的知识。

该课程帮助您了解深度学习所需的数学知识，并在课程2结束之后，学习如何从头开始构建深度学习算法的几个关键组件。

关于课程：

课程分为5节。截止到这篇博客发布（8月19日），已经发布了前3节课。 Andrew Ng在本门课中采用了自下而上的教学安排。在他早期的课程中，他选择octave进行编程作业，但这个课程他选择了python。

1. 在课程1中，他详细地介绍了深度学习中许多概念所需的数学和直观认识。他小心地对课程内容进行平衡，并教授数学知识，这是了解深度学习的基础所必需的。指定会话对通过编程的方式实践数学知识非常有帮助。所有的公式都已经提供好了，所以哪怕没有太多的数学知识，你也可以专注于实现它们。

2. 课程2涵盖了正则化，动量，批量归一化和dropout等许多技术，来提高DL模型的性能。这个课程的最好的部分就是使用python和numpy来实现所有的技术。

3. 在第3节课中，他介绍了他从多年的经验中学到的很多技巧和窍门。在第三部分课程结束时，他介绍了DL框架。课程3的作业是学习怎样使用TensorFlow。作业设计的非常明确。

4. 课程4是关于CNN的。课程发布后，我将更新此部分。

5. 课程5是关于RNN或序列数据的。一旦课程发布，我将更新该部分。

亮点：

1. 当你学完前3节课后，你的基础知识将非常强大。

2. 前3个课程采取了框架独立的方法。这能让你轻松使用任何框架。

3. 课程中包含了关于如何设计评估指标、如何分割数据集进行训练以及避免方差和偏差问题的实用技巧。

4. 当然，最好的一部分是案例研究，您可以在这里找到一个机会，来验证你已经理解了如何成功执行深度学习项目。

5. 所有的作业都是以jupyter notebook的形式提供的，并在Coursera服务器上运行，因此无需担心基础的框架。

6. 学完3节精彩的课后，仍有2节课值得期待。

7. 每周都有一个名为“深度学习英雄”的演讲。这是一个很好的来源，让我们了解深度学习背后的历史和灵感。

局限：

1. 对于一些全新的深度学习或机器学习项目，从头开始构建每一部分并了解其背后的数学原理，可能非常具有挑战性。

2. 由于课程遵循自下而上的方法，所以即使在第三节课结束后，您仍然很难在您的领域中使用DL来构建解决方案。

3. 由于提供了基础框架，所以您将不再学习如何管理自己的工作站。而且如果要使用很多技术，有能力在云端或家庭/办公室配置机器这一点非常重要。

4. 课程提供了许多示例代码，使得完成作业变的更容易。但是要真正掌握一个技能，还得不使用示例代码，将整个作业复现一遍，这是非常重要的。这可能谈不上是课程的局限性，但如果您想要充分利用它，这是非常重要的。

费用：

所有课程内容都是免费提供。但是我不知道这些作业是否也免费提供。如果你正在参加付费版本的课程，那么你最终每月花费大约367元或55 $。

【2】 fast.ai 的 Making neural nets uncool again

http://www.fast.ai/

中文字幕 https://edu.csdn.net/course/detail/5192

推荐理由：这门课和很多传统的授课方式不同，它从应用入手，逐步往深了讲，让你先领会“开车”的乐趣，然后再兴致盎然地去学习车的原理甚至去修车。有人建议，以此入门，找到乐趣，再学习更基础的课程。

Fast.ai

我是在kddnudgets的一篇文章中发现的这门课程。当时是我第一次听说Jeremy Howard，于是我在维基百科搜索了他，印象非常深刻。于是我购买了这门由Jeremy和Rachel Thomas教授的MOOC。看完第一堂课，我就被他们的教学风格深深震撼了。

您将在几个小时内学到如何构建顶尖水准的图像分类器，这甚至连几美元的价格都不到。

Jeremy Howard：

https://medium.com/@jeremyphoward

https://en.wikipedia.org/wiki/Jeremy_Howard_%28entrepreneur%29

关于指导老师：

Jeremy的背景与通常的教授非常不同，他不是任何顶尖大学的博士生导师，也未曾就职于谷歌，百度，微软等顶级公司。他自学成才，是kaggle竞赛高手，企业家和Fast.ai的CEO，目前唯一的目标就是让深度学习不再神秘。他的独特背景让这门课程变得与众不同，因为他教会了不同背景的人如何使用深度学习，而无需大量数据或计算能力。

关于课程：

课程分为2部分，每7周学完一个部分。

课程的第一部分讲授如何在计算机视觉和自然语言处理(NLP)领域使用深度学习。

第二部分讲授生成网络，GAN，序列模型等前沿研究工作，如何阅读研究论文，以及如何在深入学习领域保持领先的实用技巧。这些技巧正在以惊人的速度发展。

本课程教学风格独特。课程作者习惯于这种独特的方法。

我们不会让您在先了解有关速度，动量，分析等方面的信息之后，再去学习打板球（或任何游戏），最后在18点进场。相反，我们先带您先去现场，握着球或棒球棒，然后在实战中学习其他知识。

通过这种独特的方法，您将首先学习如何在云上部署工作站，安装软件，并使用深度学习快速构建解决方案。每周Jeremy会挑选一个新的问题，然后他教授你如何使用技术来提高模型的性能。他教的东西很实用，比如使用预卷积特征，伪标记和许多非常有用的技巧。到第一部分结束，您将能够使用深度学习在您工作的领域构建实用的应用程序。

课程的第二部分介绍了前沿研究，帮助您阅读，理解和实施生成式模型，图像分割和序列到序列模型的各种研究论文。您将学习构建一些有趣的项目，如风格转移，低分辨率图像到高分辨率图像，GAN，图像分割，翻译以及如何将深度学习应用于结构化数据。第二部分最重要的部分是建立自己的工作站。如果您对深度学习充满激情，并希望构建各种深度学习应用程序，这将非常有用。

亮点：

构建一流的计算机视觉或NLP系统的能力。

了解和使用为深度学习应用程序提供支持的现代主流架构。

当您的数据和计算能力有限时，如何快速应用DL的实用技巧。

一个庞大的社区，支持您在不同阶段学习和实施您的解决方案。

轻松使用3种流行的DL框架：Keras，TensorFlow，PyTorch。

在课程结束之后，您将不再为阅读研究论文，构建新项目而头痛。Fast.ai的博客以及整个社区都将为您提供支持。

局限：

由于本课程遵循自上而下的方法，您将非常依赖一个框架来对基础数学有一定的理解。如果您正在筹备一项工作或计划在该领域进行更多的研究，那么提高你理解DL中的数学知识的能力将很有帮助。

有些机构对证书很看重，他们认为这是你完成课程的证明。但我猜Jeremy认为我们都是成熟的孩子，所以没有提供任何形式的证书。 Jeremy和Rachel鼓励撰写博客，构建项目，在会议中进行讨论等活动，以实力来代替传统证书的证明作用。我个人认为这是非常有用的。

费用：

MOOC本身没有相关费用。但是要上手实践这些项目，您最终需要在AWS上产生支出，或许您会选择自己配置机器，但这样做很贵。当然在家里有一个强大的工作站是非常有帮助的

【3】斯坦福大学的课程 CS231n --- Convolutional Neural Networks for Visual Recognition

http://cs231n.stanford.edu/

推荐理由：此门课有斯坦福人工智能实验室主任Fei-Fei Li主讲，作为IMAGE-NET的主要发起人，Li的实验室一直活跃在计算机视觉前沿研究领域，培养了众多青年才俊。建议从事计算机视觉方向的同学关注此课程。

【4】 2016 年蒙特利尔深度学习暑期班

https://www.youtube.com/watch?list=PL5bqIc6XopCbb-FvnHmD1neVlQKwGzQyR&v=xK-bzjIQkmM

推荐理由：看看嘉宾阵容吧，Yoshua Bengio 教授循环神经网络，Surya Ganguli 教授理论神经科学与深度学习理论，Sumit Chopra 教授 reasoning summit 和 attention，Jeff Dean 讲解 TensorFlow 大规模机器学习，Ruslan Salakhutdinov 讲解学习深度生成式模型，Ryan Olson 讲解深度学习的 GPU 编程，等等。