“連續(xù)開(kāi)設(shè)5年，對(duì)新手友好、易于上手，參加課程的多數(shù)學(xué)生來(lái)自非計(jì)算機(jī)科學(xué)領(lǐng)域……”

推薦一門(mén)AI課程——MIT官方深度學(xué)習(xí)入門(mén)課程6.S191《深度學(xué)習(xí)導(dǎo)論（2022）》，課程介紹了深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、生物學(xué)等領(lǐng)域的應(yīng)用。通過(guò)學(xué)習(xí)這門(mén)課程，學(xué)生將掌握深度學(xué)習(xí)算法的基本知識(shí)，以及用 TensorFlow 搭建神經(jīng)網(wǎng)絡(luò)的實(shí)操經(jīng)驗(yàn)。

雖然門(mén)檻相對(duì)較低，但還是需要學(xué)生掌握線性代數(shù)和微積分相關(guān)基礎(chǔ)知識(shí)（例如：矩陣乘法和導(dǎo)數(shù)）。Python 經(jīng)驗(yàn)也會(huì)有所幫助（但非必備）。該視頻內(nèi)容已由矩池云進(jìn)行翻譯。

課程全套視頻

課程介紹

課程共10個(gè)講座視頻，涵蓋了深度學(xué)習(xí)的基礎(chǔ)知識(shí)與多個(gè)應(yīng)用領(lǐng)域：

- 深度學(xué)習(xí)導(dǎo)論

- 深度序列建模

- 深度計(jì)算機(jī)視覺(jué)

- 深度生成建模

- 深度強(qiáng)化學(xué)習(xí)

- 局限性和新領(lǐng)域

- 自動(dòng)駕駛

- 語(yǔ)音識(shí)別

- AI科學(xué)

- 深度學(xué)習(xí)的不確定性

開(kāi)場(chǎng)“彩蛋”之后，課程展開(kāi)介紹了深度學(xué)習(xí)的一些基本概念，比如，神經(jīng)網(wǎng)絡(luò)只是相互堆疊的感知機(jī)，它們通過(guò)反向傳播進(jìn)行優(yōu)化。以及學(xué)習(xí)如何通過(guò)向神經(jīng)網(wǎng)絡(luò)投喂數(shù)據(jù)來(lái)對(duì)它們進(jìn)行訓(xùn)練，在訓(xùn)練過(guò)程中應(yīng)該采取什么預(yù)防措施。

下一個(gè)主題是序列建模。從預(yù)測(cè)移動(dòng)物體的方向到心跳、全球溫度再到自然語(yǔ)言，序列無(wú)處不在。循環(huán)神經(jīng)網(wǎng)絡(luò)適用于處理此類序列建模任務(wù)。

半個(gè)多世紀(jì)來(lái)，計(jì)算機(jī)科學(xué)家一直在想辦法讓計(jì)算機(jī)擁有視覺(jué)。在計(jì)算機(jī)眼中，圖像只是0和1的集合。我們要如何幫助計(jì)算機(jī)找到圖像中的復(fù)雜特征？這就需要卷積神經(jīng)網(wǎng)絡(luò)，來(lái)幫助我們了解模型如何學(xué)習(xí)識(shí)別圖像中的特征。

在生成建模這一課，你會(huì)了解到課程開(kāi)場(chǎng)的“彩蛋”是如何做到的。之前的模型對(duì)數(shù)據(jù)會(huì)進(jìn)行標(biāo)注（比如，你告訴模型這個(gè)圖像表示的是一只貓)，但在生成建模中，數(shù)據(jù)是沒(méi)有標(biāo)簽的，這就是無(wú)監(jiān)督學(xué)習(xí)。無(wú)監(jiān)督學(xué)習(xí)的目標(biāo)是學(xué)習(xí)數(shù)據(jù)下的隱藏結(jié)構(gòu)。你會(huì)學(xué)習(xí)到兩種無(wú)監(jiān)督模型：變分自動(dòng)編碼器（VAE）和生成對(duì)抗網(wǎng)絡(luò)（GANS）。

學(xué)習(xí)了監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，接下來(lái)就是強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)就是讓AI學(xué)會(huì)玩超級(jí)瑪麗或者讓機(jī)器人學(xué)會(huì)走路。把一個(gè)agent放在一個(gè)需要實(shí)現(xiàn)你預(yù)期目標(biāo)的環(huán)境中，agent會(huì)因?yàn)橥瓿赡承┤蝿?wù)獲得獎(jiǎng)勵(lì)，完成其他任務(wù)會(huì)受到懲罰。這樣agent就會(huì)反復(fù)學(xué)習(xí)讓獎(jiǎng)勵(lì)最大化的策略。簡(jiǎn)單地講，這就是強(qiáng)化學(xué)習(xí)的概念。

最后幾節(jié)課是由英偉達(dá)等知名機(jī)構(gòu)的客座講師授課。講授自動(dòng)駕駛、語(yǔ)音識(shí)別、AI科學(xué)算法等方面內(nèi)容。

理論知識(shí)之外，課程的實(shí)踐部分還設(shè)計(jì)了三個(gè)開(kāi)源、交互的TensorFlow軟件lab，涵蓋了TensorFlow的基礎(chǔ)知識(shí)。例如，用于音樂(lè)生成的循環(huán)神經(jīng)網(wǎng)絡(luò)模型、消除偏見(jiàn)的面部識(shí)別系統(tǒng)和端到端自動(dòng)駕駛控制。理論結(jié)合實(shí)踐的課程設(shè)置也印證了MIT的校訓(xùn)“Mens et Manus”（手腦并用，創(chuàng)新世界）。

課程主講

Alexander Amini

該課程的主要組織者和講師Alexander Amini是麻省理工學(xué)院（MIT）的博士生，導(dǎo)師為Daniela Rus教授。Alexander Amini同時(shí)還是NSF Fellow，并在MIT完成了電子工程與計(jì)算機(jī)科學(xué)理學(xué)學(xué)士和理學(xué)碩士學(xué)位，并輔修數(shù)學(xué)。

Alexander Amini的主要研究領(lǐng)域包括為自主系統(tǒng)的端到端控制（即感知到驅(qū)動(dòng)）構(gòu)建機(jī)器學(xué)習(xí)算法，并為這些算法制定保障。他還研究過(guò)自動(dòng)駕駛汽車(chē)的控制、形式化深度神經(jīng)網(wǎng)絡(luò)的置信度、對(duì)人類移動(dòng)性的數(shù)學(xué)建模，以及構(gòu)建復(fù)雜的慣性優(yōu)化系統(tǒng)。

Ava Soleimany

另一位主講Ava Soleimany是微軟研究實(shí)驗(yàn)室的高級(jí)研究員，在哈佛大學(xué)獲得生物物理學(xué)博士，博士期間與Sangeeta Bhatia一起在MIT Koch 癌癥研究所進(jìn)行研究，并獲得NSF研究生研究獎(jiǎng)學(xué)金計(jì)劃的支持。此前，Ava Soleimany在MIT完成了計(jì)算機(jī)科學(xué)和分子生物學(xué)學(xué)士學(xué)位。

Ava Soleimany博士階段的研究重點(diǎn)是用于癌癥早期檢測(cè)的新診斷方法，其研究利用了納米技術(shù)、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)、化學(xué)生物學(xué)和生物工程的工具來(lái)創(chuàng)造新的診斷和治療生物技術(shù)。

傳送門(mén)

課程配套資料?introtodeeplearning.com

原文 matpool.com/learn/article/mit-coures-recommendation)