[[383847]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

告別“拼圖式”學(xué)習(xí)！

最近，一套深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的免費課程在reddit上引起網(wǎng)友關(guān)注，獲贊690+。

只因其不僅形式豐富，還綜合了基礎(chǔ)理論和具體應(yīng)用，幫你將幾何學(xué)、統(tǒng)計學(xué)等相關(guān)理論串聯(lián)起來，解決復(fù)雜的問題。

對于初學(xué)者來說，稱得上是個學(xué)習(xí)大禮包了。

課程來自杜倫大學(xué)計算機(jī)系助理教授Chris Willcocks，他表示：

相比于其他課程，我想這一套課程涉獵廣泛，并且足夠緊湊。

不妨一起來了解一下吧～

課程設(shè)置

課程分為深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)兩個板塊，各有10節(jié)課，總時長約為20小時。

除了視頻之外，還提供了PPT、Colab代碼示例以及一些相關(guān)論文。

其中深度學(xué)習(xí)課程的第1～5課，側(cè)重于理論，包括：

第1課：簡介；
第2課：數(shù)學(xué)原理和反向傳播；
第3課：PyTorch編程：編碼會話；
第4課：設(shè)計模型以進(jìn)行概括；
第5課：生成模型；

第6～10課則以應(yīng)用為主，包括：

第6課：對抗模型；
第7課：基于能量的模型；
第8課：順序模型；
第9課：Flow模型和隱式網(wǎng)絡(luò)；
第10課：元學(xué)習(xí)和流形學(xué)習(xí)。

強(qiáng)化學(xué)習(xí)的課程，來自對David Silver課程的改編。

為了更易于學(xué)習(xí)，每個視頻縮短到50分鐘左右，略去了高級推導(dǎo)部分，但是增加了更多的示例和代碼。

課程設(shè)置是這樣的：

第1課：基礎(chǔ)；
第2課：馬爾可夫決策過程；
第3課：OpenAI gym工具包；
第4課：動態(tài)編程；
第5課：蒙特卡洛方法；
第6課：時序差分方法；
第7課：函數(shù)逼近；
第8課：策略梯度法；
第9課：基于模型的方法；
第10課：擴(kuò)展方法。

具體來看一下學(xué)習(xí)過程是怎樣的

以深度學(xué)習(xí)課程中的「第5課：生成模型」PPT為例：

在一開始列出了章節(jié)目錄：課程劃分為定義、密度估算、散度測度、生成式網(wǎng)絡(luò)四個部分，每一部分又劃分成不同小節(jié)。

以散度測試中的K-L散度（相對熵）一節(jié)為例：首先說明了用相對熵來測量兩種分布的差異，接著給出了相應(yīng)的計算公式，并且還能一鍵直達(dá)圖形計算器。

PPT圖文并茂而又不失簡潔，每一小節(jié)基本只占1～2頁的篇幅。

類似地，在深度學(xué)習(xí)編碼器一節(jié)中，也可以一鍵查看Colab的代碼示例：

內(nèi)容清晰明了，操作簡單方便，對初學(xué)者十分友好了～

網(wǎng)友關(guān)注

這份課程獲得了許多網(wǎng)友的肯定， 甚至有人直呼作者是“身披斗篷的英雄”。

一位從PyTorch“逃離”到Keras的網(wǎng)友表示，作者讓他重新?lián)炱鹆薖yTorch！

針對網(wǎng)友普遍關(guān)注的問題：

“這些課程主要關(guān)注代碼還是理論？”

“學(xué)習(xí)課程對于數(shù)學(xué)背景的要求是怎樣的？”

“對強(qiáng)化學(xué)習(xí)進(jìn)行學(xué)習(xí)，是否要精通機(jī)器學(xué)習(xí)架構(gòu)？”

……

作者在回復(fù)中一一作出了說明：

課程對于代碼和理論都有涉及，課程前半部分偏向理論，后半部分側(cè)重于最新技術(shù)，兩套課程都是如此。

過程中提供了許多Colab代碼示例、方程式和算法，并且在第二課中對數(shù)學(xué)符號進(jìn)行了介紹。

不需要很強(qiáng)的數(shù)學(xué)背景，并且所需的數(shù)學(xué)知識，在第二課中進(jìn)行了介紹。

如果第二課實在太難，推薦用《機(jī)器學(xué)習(xí)數(shù)學(xué)基礎(chǔ)（Mathematics for Machine Learning）》這本書進(jìn)行學(xué)習(xí)。

學(xué)習(xí)這份課程并沒有十分必要的先決條件，但是可能有必要看一下「深度學(xué)習(xí)」的第二課，以及《機(jī)器學(xué)習(xí)數(shù)學(xué)基礎(chǔ)》的第二章和第六章。

雖然不是針對強(qiáng)化學(xué)習(xí)基本算法的主要理論，不過在使用函數(shù)逼近器來擴(kuò)展方法時，構(gòu)建深度學(xué)習(xí)模型（特別是卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)）上的一些實踐會很有用。

是不是也解答了你心中的疑問呢？

那么，戳下方鏈接開始學(xué)習(xí)吧～

課程列表：
https://www.reddit.com/r/MachineLearning/comments/lqrek7/n_20_hours_of_new_lectures_on_deep_learning_and/