你應該選擇哪種領先的人工智慧課程?選了後怎麼學?

最近我從吳恩達的深度學習課程畢業了,非常自豪,秀一波~

去年年底,我學完了Udacity的深度學習納米學位課程(DLND)。今年2月份,我又上完了吳恩達的深度學習課程。

作為我自己創建的AI碩士學位學習的一部分,我目前已經讀完了70%的Udacity的人工智慧納米學位課程(AIND)。

之所以寫這篇文章,始於Quora上的一個問題。

因為我在這兩門課程,以及DLND課程方面都有學習經驗,所以我打算回答一下這個問題。

簡單說一下

兩邊都學!

如果你想提高應用級的技能,那麼我強烈推薦這兩門課程。

去年,我沒有編程知識,也從未聽說過深度學習這個術語。

感謝這些課程,我現在每周都在建立國際一流水平的深度學習模型。

以下是我學習課程的順序。

Udacity深度學習納米學位課程

Udacity人工智慧納米學位課程(偏向傳統AI)

吳恩達Coursera的深度學習課程

【當前】Udacity人工智慧納米學位課程(偏向深度學習)

假如給我重來一次的機會,我會選擇以下順序來學習。

吳恩達Coursera的深度學習課程

Udacity深度學習納米學位課程

Udacity人工智慧納米學位課程(偏向傳統AI)

Udacity人工智慧納米學位課程(偏向深度學習)

為什麼?

吳恩達的深度學習課程採取了深入淺出的教學方法。這是我學習的最好方式。

Udacity的課程質量非常高,但通常會直接進入高級項目。這是學習的好方法,但是如果你沒有基礎知識,會非常困難。

如果你已經有了深度學習和機器學習的基礎知識,或者已經是一個基礎紮實的Python程序員,Udacity的人工智慧納米學位課程可能是你開始的理想場所。

為什麼要學這兩門?

跨界知識。

學完兩門課程後,我發現它們彼此互補。

吳恩達的課程薄弱的地方,AIND很強大,反之亦然。

昨天發生了一個真實的例子。我在AIND NLP capstone項目中遇到了一個問題,是與文字嵌入有關的問題。我在論壇上發帖說我無法理解文字嵌入。

感謝Vadim同學的幫助!

在Vadim的建議下,我重新回顧深度學習課程專講文字嵌入的視頻。此前,為了找我能理解的內容,我已經在網上苦苦搜了幾個小時。

注意:不要忽視你已經學過的材料!

最後,它們都是很棒的課程。如果你必須選一個,我建議選深度學習課程。「安德魯大法師」的教學風格有一些真的直擊心靈啊!

較長的答案

對於那些有興趣深入了解我的學習經歷的人,請繼續閱讀。

我把它分成八類。

1.成本和時間:這些課程不是免費或容易的。

2.先決條件:在開始之前你需要什麼。

3.獲取支持:當你卡住時該怎麼做。

4.課程質量:材料有多好?

5.提交項目:你的工作內容發生了什麼變化?

6.課程結構:課程如何發揮作用?

7.未來的選擇:學完後能做什麼?

8.其他學習資源:還有哪些其他學習資源?

1.成本和時間

深度學習課程需要每月64澳元的訂購費用(約50美元)才能訪問。每門課程用時大約1個月。這意味著五個月你要花費大約250美元。

如果你學得很快,可以在1個月內完成。我的目標是用3個月時間拿下它,現實是,不到兩個月我就學完了。

DLND需要預付750澳元(約合580美元)。你必須在4個月內完成和DLND相關的所有項目,否則就要續費。

Udacity的人工智慧納米學位課程是三者中學習時間最長,也是最昂貴的。它包括兩段為期3個月的學習,每段學費1000澳元(約775美元)。

根據我的經驗,Udacity的課程每周至少需要15-20小時(有時更多)的學習才能保持正軌。

另一方面,我能夠完成深度學習課程,每天學習6-8小時,堅持一周,主要是因為我很適應吳老師的教學方法。

2.先決條件

每門課程都把Python的中級知識作為先決條件。

一些數學知識是必需的,但Python應該是你的重點。

如果你能閱讀GitHub上的Python腳本,並了解至少60%的情況,那麼你可以很好地適應這些課程。

如果Python是你的薄弱點,那在開始之前,還是勤加練習一下吧。

當我開始學習DLND時,我已經學了三周的Python。在此之前,我從未進行過編程。

前幾個月我還如墜苦海,但隨著信心增長,最終準時完成。當然,我仍然認為自己是一個Python新手。

至於數學,高中時我對微積分、線性代數和幾何的理解足以完成課程。這是因為大部分數學都是在TensorFlow和Keras庫的背後進行的。

高中畢業後,我就沒學過一門數學課程。如果我的數學知識無法理解某個特定的概念,我就去可汗學院學習,提升自己的數學技能。

如果你想學AI或深度學習博士課程,那麼必須掌握數學技能。

不過,如果要用從這些課程中學到的技能來構建應用級的AI,不需要深入了解背後的數學知識。

如果再給我一次重學的機會,那我不會在開始之前學那麼長時間Python。

3.獲取支持

學每門課程時,我遇到了很多障礙。我發現支持服務很有用。

DLND和AIND有自己的Slack頻道和專用論壇。

兩個Slack頻道內還有其他幾個不同主題的頻道。

有時候,Slack頻道可能會有點吵鬧

這兩種渠道都有成千上萬的人,大多數主題至少有幾百個用戶。導師也經常主持「ask me anything sessions」(AMA』s)的活動,並瀏覽這倆渠道,回答任何問題。

根據我的經驗,Slack頻道非常吵鬧。除了發布我自己的問題或者尋找有同樣問題的人,我不會使用它。

論壇則是完全不同的體驗。我很少提問,因為我遇到的很多問題,論壇上已經有人提了。答案並不總是很清楚,但如果很清楚,就不叫學習了。

如果我被困住了,那我會在悶頭解決自己的問題之前,逛逛論壇,從腦海里先構建一些想法。

深度學習課程的論壇和上述論壇類似。主要區別在於用戶不能直接從任務中發布代碼,但偽代碼沒問題。我發現這裡的論壇足以解決我的問題。

當你註冊AIND後,會被系統分配一位導師。我的導師名叫Ayushi,她是印度的軟體工程師。

導師在必要時會提供一些支持,很多時候,當與Ayushi談論我面臨的問題時,問題似乎已經解決了。

不要懷疑自己的能力,大聲討論你的問題,而且永遠不要害怕尋求幫助。

提問時,最好有效地表達出來。解釋清楚你面臨的問題,讓其他人更好地幫助你。這是我正在做的事兒。

4.課程質量

每門課都是世界一流的。我經常說這些是我學過的最好的課程。

DLND分為六個部分,其中五個部分附有重要項目。

簡介。

神經網路:創建你的第一個神經網路。

卷積神經網路:建立一個犬種分類器。

循環神經網路:使用神經網路生成電視劇。

生成對抗網路:建立臉部生成器。

深度強化學習:教四軸飛行器如何飛行。[新]

每個項目都專註於為你提供某種深度學習技巧的實踐經驗。如果你以前沒有做過太多的Python編程,它們將很難實現,但並非不可能完成。

注意:第6節是DLND的新增內容,我尚未嘗試。

吳恩達的深度學習課程分為五個部分。

神經網路和深度學習。

改進深度神經網路:超參數調整,正則化和優化。

構造機器學習項目。

卷積神經網路。

序列模型。

我認為第2、3項課程非常棒。其他課程在結構上與DLND提供的類似。課程第4、5項讓我加深了對DLND內容的掌握程度。

AIND課程包括兩個部分:第1部分側重於傳統的AI方法,第2部分側重於深度學習。

在第2部分開始前,對於那些從未接觸過深度學習的人來說,提供了一個橋接課程。我已經完成了DLND課程,可以跳過這一步。

第1部分

建立一個遊戲代理:採用對抗性搜索和啟發式評價相結合的方法構建數獨求解與隔離遊戲代理。

實施規劃搜索:使用規劃圖啟發式方法建立航空貨運物流系統。

設計手語識別系統:使用隱馬爾可夫模型識別手語手勢。

如果你沒有學過DLND,那AIND的第2部分也會包括以上內容,你可以選擇其中一項購買。我已經完成DLND,所以我可以訪問以上三個。

第一部分的內容對我來說很難。我雖然已經學習了深度學習和其他機器學習技術,但由於缺乏編程能力,所以學得很吃力。

注意:以上內容可能已更改,請務必通過電子郵件向Udacity支持發送說明。

第2部分

計算機視覺集合:使用深度學習和OpenCV構建面部關鍵點檢測系統。

自然語言處理集合:建立機器翻譯模型,將英語翻譯成法語。[我目前學到這裡]

語音識別系統:建立一個語音檢測系統。

在每個集合內,你都可以參加一系列小型項目和講座,直到項目完成。

目前,我正在學習第2部分的自然語言處理集合的內容。最近,我一直在練習實施自然語言處理流程(文本預處理、特徵提取和建模)的步驟。所有這些都是為機器翻譯項目做準備。

5.提交項目

DLND和AIND提交項目非常相似。通過Udacity教室,你可以使用代碼提交項目文件或鏈接到GitHub。

在24小時內,評論員會回復你。但是,這不是普通的評論。評論員通常會在你的代碼中留下幾條評論,並提供反饋或建議,以幫助你了解更多信息。

我無法對評論員進行足夠的評論。我總是期待聽到他們的觀點。

對於深度學習課程,所有項目和小測驗都會自動標記。這很節省時間,因為你可以立即獲得結果,但是,你看不到建議,了解不了更多信息,也不知道在哪裡進行改進。

6.課程結構

Udacity的課程會將簡短的演講(大部分在2-8分鐘之間)與完整的信息圖結合起來。而在線的基於Python的編程測驗通常會涉及一個重要的主題。

在完成項目之前,他們還會提供一個預熱項目作為實踐(並非必選)。

例如,在完成機器翻譯項目之前,AIND的NLP集合課程提供了情感分析項目作為練習。

吳恩達的深度學習課程的結構,與他機器學習課程的非常相似。5分鐘以下的視頻很少見,平均約為10分鐘。我以1.5倍速度觀看了它們。

吳老師使用一系列幻燈片進行教學。在介紹一個主題時,他經常在幻燈片上寫下例子,並討論背後的想法。

在每個系列講座結束時,學生需要完成一個非編程的多選題測驗。測驗涵蓋了講座中的理論知識,少數問題需要進行一些數學計算。

通過測驗後,你可以使用Jupyter筆記完成編程作業。每個編程任務需要80分或更多才能通過。

如果你遇到關於項目或任何課堂材料的問題,論壇就是你的朋友。

7.未來的選擇

完成課程後,有時候可能不知道自己下一步要做什麼。至少,這是我的感受。

顯而易見,答案是運用你學到的東西。

但是如何運用?

博客文章

每當你有空的時候,記得寫作。寫下你學到的東西,將有助於鞏固你的想法。

與他人分享你的作品將有助於他們的學習。

公開你的寫作也會讓別人評論你的想法,這是另一個寶貴的學習機會。

製作視頻

也許寫作不是你擅長的,但你可能有一個相機。談論你學到的東西跟寫作一樣好。視頻不一定需要最好的質量。

在攝像頭前說話有助於培養你的演講技巧。

在任何情況下向其他人講述你所知道的情況。

分享你學到的東西。

在HackerRank或Kaggle上練習

HackerRank和Kaggle都提供了大量的資源,幫助你練習學到的技能,並幫助你學習新技能。

Kaggle非常樂意接受數據科學、機器學習和深度學習項目的實踐經驗。你甚至可以在上面建立自己Kaggle大師的美名。許多頂尖的Kaggle選手進入數據科學領域後,都不會遇到什麼問題。

HackerRank更專註於幫你提高編碼技能。它提供不同的編碼挑戰,同時記錄你所做的一切,填充你的簡歷,幫助你向未來僱主展示能力。

建立一些東西

你有自己的想法嗎?使用你學到的技能來實現它。將它分享給其他人,他們也可能會發現它的價值。如果失敗,請與他人分享你從創建過程中學到的東西。如果成功了,恭喜你!

所有這些都促成了一件事。

當老師。

你花了大量精力學習有價值的東西,並遇到很多障礙。別人怎麼能避免你的錯誤?他們如何從中獲得經驗?

注意:我仍在做這些事!

8.其他學習資源

AI在線學習空間正在爆炸式增長。信息太多,我們很難知道要注意什麼。

就我而言,完成AIND後,我關注了fast.ai。

之後,我一直在關注Coursera的數據結構和演算法專業課程,以彌補自己編程能力的不足。

對於學AI的你,我「牆裂」推薦以下資源。

Siraj Raval的YouTube視頻

鏈接:

youtube.com/channel/UCW

Colah的博客

鏈接:

colah.github.io/

「精通機器學習」博客

鏈接:

machinelearningmastery.com

由Francois Chollet提供的深度學習與Python

鏈接:

manning.com/books/deep-

如果你有更多好資源,熱烈歡迎在留言區分享。

總結

如果你追求的是高難度的技能,那麼儘可能完成所有的課程,並通過教別人知識或建立一些東西,來實現你學到的內容。

如果你想快速進入人工智慧領域,並想了解每個深度學習模型需要什麼,以及它的能力,那麼從Coursera的深度學習課程開始。

無論你決定要做什麼,請記住,學習東西本質上是很難的。

當你覺得困難的時候,想一想自己為什麼要開始。

更新(2018年3月29日):寫完這篇文章後,Udacity徹底改變了他們的AI課程。本文許多具體細節(課程價格/材料)可能不完全適用,但學習的原理和下一步做什麼仍然是有用的。

原文鏈接:

hackernoon.com/what-lea

來源:hackernoon

作者:Daniel Bourke

智能觀 編譯

—完—

親愛的朋友:

後台經常有讀者留言,諮詢該從哪裡入手,學習深度學習相關課程。

這篇文章對學習過程介紹得詳細明了,我們整理出來,分享給你,希望對想學習的你有所幫助。

祝安!

智能觀 一米

2018-4-7 於北京中關村

想知道AI加教育領域有哪些最新研究成果?

想要AI領域更多的乾貨?

想了解更多專家的「智能觀」?

請在對話界面點擊「找找看」,去獲取你想要的內容吧。

聲明:

編譯文章旨在幫助讀者了解行業新思想、新觀點及新動態,為原作者觀點,不代表智能觀觀點。


推薦閱讀:

TAG:人工智慧 | 吳恩達AndrewNg | 優達學城Udacity |