生肉啃不动？我们拿到了全球最赞深度学习课程fast.ai授权，中文版免费放出！

大数据文摘出品

红遍AI圈的fast.ai课程终于迎来了官方版中文视频！由大数据文摘发起的“fast.ai课程翻译项目“，集合众多志愿者，耗时4个月，终于上线啦！

我们与fast.ai的创始人兼研究员Jeremy Howard通过邮件多番辗转，终于得到了官方授权！同时，大数据文摘汉化版中文课程也同步给了Jeremy，会在fast.ai官网作为多语言课程内容补充发布！

这次文摘菌历经筛选，招募了37名优秀的志愿者，共同完成了fast.ai官方视频的汉化工作，真诚地希望能为同学们的学习带来便利，不用科学上网啦！

看似轻松的翻译工作，实则涵盖了大量的细节，文摘菌仔细盘点了一下，工作流程覆盖英文字幕校对、断句、翻译、整合、翻译校对、监制校对、视频压制、视频切割、Notes翻译、Jupyter Notebook翻译、课程上线、课程笔记制作等环节，每10分钟的原始英文课程，翻译团队的工作时间已经长达120分钟！层层把关课程质量，只为将最优质的翻译课程呈现到中文学习者面前！而且对于字幕的字体、大小等也是保证了最佳的视觉效果~再次感谢我们的志愿者，你们辛苦了！

课程简介

在众人皆知人工智能(AI)的今天，深度学习(DL)作为近年来最受追捧的技术，热度一直不减。但初学者往往困于找不到合适的切入点，五花八门的框架、各种书籍资料使人凌乱，多少学员又因为数学基础望而却步。今天，文摘菌真诚地推荐一门免费优质好课，其课程品质在深度学习圈中有口皆碑，而且课程讲师Jeremy Howard经历堪称传奇。

这是一门与众不同的人工智能课，授课讲师Jeremy自学成才，是kaggle的竞赛高手，也是一位优秀的企业家。Jeremy创立fast.ai，一个优质的学习社区，致力于“让深度学习不再神秘（Making neural nets uncool again）”。他教会了不同背景的人使用深度学习，而无需大量数据或计算能力。换句话说，Jeremy用他的实际经验在教你“开车”，而不是“造车”，我们不妨先会开车，再去深入研究那些原理。

fast.ai 的课程亮点在于课程遵循自上而下的教授方法，带你俯瞰深度学习最新应用的全貌。以最快的速度，搭建世界级的模型，将深度学习着手于实践。

为什么这门课广受推崇？

数学专业出身，通过fast.ai课程自学深度学习，一年时间成为其研究科学家的Sylvain Gugger说了一段很中肯的话。

“学习深度学习并不需要深入的数学知识，但为了能够在实践中训练模型，只需要了解三件事：

知道什么是导数；
知道误差函数的log和exp；
以及知道什么是矩阵乘积。

这些基础的知识可以在很短的时间内学到，因此完全没必要因为数学基础而对深度学习望而却步。”

相关链接：
https://www.fast.ai/2019/01/02/one-year-of-deep-learning/

南开大学情报学博士王树义曾在他的文章中介绍过一些深度学习框架，例如：Tensorflow，tflearn和Keras，但当他去年进行科研时发现了fast.ai这款框架之后，极力推荐这款框架~

“原本我认为，Keras已经把功能和易用性做到了最佳平衡了。直到我看到了Jeremy Howard，也就是fast.ai创始人提出的评判标准——如果一个深度学习框架需要写个教程给你，那它的易用性还不够好。

我看了之后，可以用感动来形容。

Jeremy说这话，不是为了夸自己——因为他甚至做了个MOOC出来。他自己评价，说目前fast.ai的易用性依然不算成功。但在我看来，fast.ai 是目前把易用性和功能都做到了极致的深度学习框架。

它的门槛极低。如同TuriCreate一样，你可以很轻易用几句话写个图片分类模型出来，人人都能立即上手。

它的天花板又很高。因为它只是个包裹了Pytorch的代码库。”

相关链接：
https://zhuanlan.zhihu.com/p/47706063

普通人也能学

深度学习人才市场需求量很大，但并非什么很高深难懂的知识，至少本授课讲师Jeremy不这么认为，他始终致力于教会不同背景的人如何使用深度学习。

无需数学与理论先序知识，对仅有少量开发基础（比如大部分的程序员，或者花一周时间学会Python编程的同学）的学习者非常友好。

直接从实战应用带你入门

本课程是一门关于深度学习的实战课程，以案例为驱动，可以从学习的过程中掌握AI场景的建模与调优方法，实现产品级的应用。大量工业级的实现与调优技巧，拒绝“toy project”案例，直接产出好的结果。

先学实际应用，后学理论知识，通过这种自上而下的教学方式，带你用最快的速度真正将深度学习应用起来。


案例：使用迁移学习实现一流的宠物品种识别准确率


案例：从零搭建泰迪熊检测器

适合谁学？

想入门深度学习的人
有一些python开发基础的人
了解Jupyter Notebook的人
无需专业的数学与领域知识背景

课程大纲

7大课程专题，带你掌握深度学习应用










【 在 dragonmlz 的大作中提到: 】
: 以下资料均从网络获取，请各位转载注明原始出处。
: 本帖只是作为中转。
: 同时，请各位一起收集整理。我为人人，人人为我。
--
FROM 159.226.5.*

人工智能免费公开课一网打尽！14个类别、230门课程，GitHub标星6000+

关注前沿科技

轻沉 发自 浅度寺

量子位 出品 | 公众号 QbitAI

Read enough so you start developing intuitions and trust intuitions and go for it!

通过大量阅读来培养直觉，相信自己的直觉并大胆实践！

—— Geoffrey Hinton

要说这两年最火的机器学习课程，当属吴恩达的Machine Learning。

这原本是吴恩达在斯坦福大学开授的课程，课程视频在网络上受到了学习者的广泛好评，后来还推出了专门的网课。

△Coursera平台上的Machine Learning课程

现在越来越多的人选择通过观看视频课程的方式来学习知识，一方面有了教师的引导会让艰涩的内容更容易理解，另一方面平时通勤、等待时的细碎时间也可以得到充分利用。

深度学习如此火热的今天，也有不少人通过课程视频来学习各个领域的知识。

虽然已经有不少世界知名大学放出了学校授课的录像或讲座的视频，来造福全球对深度学习感兴趣的学习者们。

但去哪学，也成了摆在大家面前的难题。

今天要介绍的这个Github仓库 Deep Learning Drizzle就是一个深度学习相关课程/讲座视频的大合集，其中不乏学界知名大牛的亲授课程。

目前该项目已经在Github收获了6000+星，Fork数也超过1.4K。

仓库维护者整理了14个类目共计232门视频课程，并且这个数字还在不断增加。其中包括：
Deep Neural Networks（深度神经网络），43门
Machine Learning Fundamentals（机器学习基础），12门
Optimization for Machine Learning（机器学习优化方法），12门
General Machine Learning（通用机器学习），39门
Reinforcement Learning（强化学习），14门
Bayesian Deep Learning（贝叶斯深度学习），5门
Graph Neural Networks（图神经网络），9门
Probabilistic Graphical Models（概率图模型），5门
Natural Language Processing（自然语言处理），10门
Automatic Speech Recognition（语音识别），5门
Modern Computer Vision（现代计算机视觉），25门
Boot Camps or Summer Schools（夏令营与暑期学校讲座），44门
Medical Imaging（医学影像），5门
Bird’s-eye view of Artificial Intelligence（人工智能概览），4门

△目前仓库中所有课程列表

下面我们简单介绍一下每类课程覆盖的内容，并推荐其中颇负盛名的好课。

Deep Neural Networks 深度神经网络

主要涉及神经网络的工作原理及基本的应用。

课程推荐

1、Neural Networks for Machine Learning

Geoffrey Hinton，University of Toronto，2012/2014

△多伦多大学教授Geoffrey Hinton

看到Hinton这个名字任何人都难免会虎躯一颤——深度学习奠基人之一，2019年图灵奖获得者。

2、CS231n: CNNs for Visual Recognition

Justin Johnson，Stanford University，2015-2017

△斯坦福大学教授，华人学者李飞飞

同样是这两年网络上的爆款课程，华人学者李飞飞的团队出品。每年的课程内容都会根据最新的研究成果更新，是计算机视觉很好的入门课程。

3.CS320: Deep Learning

Andrew Ng，Stanford University，2018

△前斯坦福大学教授，华人学者吴恩达

华人学者吴恩达亲自讲授的深度学习课程，内容全面的深度学习宝典，现在已经有了专门的在线课。

Machine Learning Fundamentals 机器学习基础

要想深入理解机器学习原理，数学知识必不可少。本类目包括了线性代数、概率与统计、微积分、信息论等基础数学课程。

课程推荐：

Linear Algebra

Gilbert Strang，MIT

Optimization for Machine Learning 机器学习优化方法

优化方法是机器学习算法的灵魂，本类目以优化为主题，包含了凸优化课程和针对机器学习的优化理论课程。

课程推荐

1、Convex Optimization

Stephen Boyd, Stanford University

△Boyd编写的凸优化教材中文版封面

Stephen Boyd编写的《凸优化》是中国许多高校的凸优化课程教材，现在有机会听到作者本人授课了！

2、Optimization

Geoff Gordon & Ryan Tibshirani, CMU

3、Convex Optimization

Ryan Tibshirani, CMU

4、Algorithmic Aspects of Machine Learning / Advanced Algorithms

Ankur Moitra, MIT

General Machine Learning 通用机器学习

本类目主要讲授机器学习理论、统计机器学习方法等内容。

课程推荐

CS229: Machine Learning

Andrew Ng, Stanford University

△吴恩达在斯坦福大学主讲的Machine Learning课程

吴恩达主讲的机器学习课程，深入讲解了各种常用的统计机器学习模型，可谓经典中的经典。

Reinforcement Learning 强化学习

本类目主要介绍强化学习基础及进阶技术。大家熟知的阿法狗（AlphaGo）和各种游戏AI都是强化学习的产物。

课程推荐

1、Introduction to Reinforcement Learning

David Silver, DeepMind

△AlphaGo与李世石的人机大战

Deepmind公司可谓在强化学习领域苦心耕耘多年，AlphaGo、AlphaZero、德州扑克AI、星际争霸AI等都出自他们之手。快来看看Deepmind研究员David Silver如何阐释强化学习。

2、Deep Reinforcement Learning

Sergey Levine, UC Berkeley

3、CS234: Reinforcement Learning

Emma Brunskill, Stanford University

Bayesian Deep Learning 贝叶斯深度学习

主要讲授基于贝叶斯网络的深度学习方法。

课程推荐

Deep Learning and Bayesian Methods

Lots of Legends, HSE Moscow

Graph Neural Networks 图神经网络

近几年对于图神经网络的研究越来越多，图神经网络可以有效地处理想社交网络这样的图数据，是一个热门的研究方向。

此部分还包含了基于三维几何的深度学习内容，3D视觉同样是近几年开始被广泛研究的课题。

由于这些方向兴起时间不长，所以基本以workshop和讲座为主。

Probabilistic Graphical Models 概率图模型

概率图模型在研究中有着广泛的应用，如知名的隐马尔科夫模型（HMM）、条件随机场（CRF）等都属于概率图模型。同时概率图模型也是图神经网络的基础。

推荐课程

Probabilistic Graphical Models

Eric Xing, CMU

华人教授邢波主讲的课程，邢波教授本人专攻机器学习、计算生物学等方向。

Natural Language Processing 自然语言处理

本部分主要介绍计算语言学以及基于深度学习的自然语言处理（NLP）。

推荐课程

1、Neural Networks for Natural Language Processing

Graham Neubig, CMU

2、Natural Language Processing with Deep Learning

Abigail See, Chris Manning, Richard Socher, Stanford University

Automatic Speech Recognition 语音识别

主要讲授如何应用深度学习技术进行语音识别。

Modern Computer Vision 现代计算机视觉

所谓现代计算机视觉，其实包括了传统方法和基于深度学习的方法两部分。

这类课程中有对数字图像处理、计算机视觉领域传统方法的讲解，也有深度学习在摄影、视频处理、机器人等方面的研究。

推荐课程

1、Convolutional Neural Networks

Andrew Ng, Stanford University

2、CS205A: Mathematical Methods for Robotics, Vision and Graphics

Justin Solomon, Stanford University

Boot Camps or Summer Schools 夏令营与暑期学校

这部分主要是知名大学夏令营、暑期学校中的专题讲座，内容通常比较前沿，值得一看。

Medical Imaging 医学影像

主要讲授如何运用机器学习方法进行医学影像分析，主要是暑期学校课程。

Bird’s-eye view of Artificial Intelligence 人工智能概览

这部分主要是大牛的讲座和讲话，探讨了人工智能发展方向，以及人工智能与认知、情感、道德、伦理、社会等方面的关系，是人工智能在技术之上更高层次的探究，可以帮助你对人工智能有更深的理解。

最后，附上项目传送门：

https://github.com/kmario23/deep-learning-drizzle

— 完 —

活动推荐 | 品玩2019科技创新者大会

2019年10月25日，PingWest品玩2019科技创新者大会 - 杭州站。阿里钉钉、阿里平头哥、蘑菇街、云浪生、驭势科技、VIPKID等都技术大咖都将来到现场，分享产业实战案例。免费票限时预订中，点击小程序即可报名。


量子位 QbitAI · 头条号签约作者

?'?' ? 追踪AI技术和产品新动态

喜欢就点「好看」吧 !
--
FROM 159.226.5.*

历经三年才完成，复旦教授的《神经网络与深度学习》可免费下载了
程序员书库（ID：OpenSourceTop）编译
书籍来自部分内容摘自：《神经网络与深度学习》

近年来，深度学习在语音、图像、自然语言处理等领域都取得了非常不错的成果，自然而然地成为技术人员争相学习的热点。

为了帮助正在学习深度学习的伙伴们掌握神经网络与深度学习技术的基本原理，知其然还要知其所以然。复旦大学副教授邱锡鹏推出了一本非常火热的深度学习入门教程：《神经网络与深度学习》，而且是开源免费的。



历经三年，邱老师将自己的研究，日常的教学和实践结合梳理，才有了这本《神经网络与深度学习》，邱锡鹏教授表示：
近年来，以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、智能问答、推荐系统到自动驾驶，人们在日常生活中都可能有意无意地使用到了人工智能技术。这些技术的背后都离不开人工智能领域研究者们的长期努力。最近这几年，得益于数据的增多、计算能力的增强、学习算法的成熟以及应用场景的丰富，越来越多的人开始关注深度学习这一个研究领域。

深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等。目前，深度学习技术在学术界和工业界取得了广泛的成功，受到高度重视，并掀起新一轮的人工智能热潮。


阅读路线

本书共分为15章，可以分为三大块：机器学习、神经网络和概率图模型，组织结构如下图所示：


机器学习：机器学习可以分为监督学习、无监督学习和强化学习。第2章对机器学习进行概述，使读者能够了解机器学习的基本概念，并以线性回归为例来讲述不同学习算法之间的关联。第3章主要介绍一些基本的线性模型。这两章都以监督学习为主进行介绍。第9章介绍了一些无监督学习方法。第10章中介绍一些和模型无关的机器学习方法。第14章介绍了深度强化学习的知识。

神经网络：第4章到第6章分别讲述三种主要的神经网络模型：前馈神经网络、卷
积神经网络和循环神经网络。并在第6章中介绍一种更一般性的网络：图网络。
第7章介绍神经网络的优化与正则化方法。第8章介绍神经网络中的注意力机制
和外部记忆。

概率图模型：概率图模型为机器学习提供了一个更加便捷的描述框架。目前深度
学习和概率图模型的融合已经十分流行。第11章介绍了概率图模型的基本概念，
并在第12章介绍两种概率图模型：玻尔兹曼机和深度信念网络。第13章和第15章
分别介绍两种概率生成模型：深度生成模型和序列生成模型。

详细的章节如下：
第 1 章：绪论
第 2 章：机器学习概述
第 3 章：线性模型
第 4 章：前馈神经网络
第 5 章：卷积神经网络
第 6 章：循环神经网络
第 7 章：网络优化与正则化
第 8 章：注意力机制与外部记忆
第 8 章：无监督学习
第 10 章：模型独立的学习方式
第 11 章：概率图模型
第 12 章：深度信念网络
第 13 章：深度生成模型
第 14 章：深度强化学习
第 15 章：序列生成模型

邱教授在每章的最后一节都提供了一些参考文献，读者可根据需要通过深入
阅读来了解这些知识，并且在附录中介绍了一些深度学习涉及到的数学知
识，包括线性代数、微积分、概率论、信息论和优化等。

除此之外，邱教授还并且为大家推荐了以下课程，感兴趣的也可以去看看：

Stat212b：Topics Course on Deep Learning
http://joanbruna.github.io/stat212b/
加州大学伯克利分校统计系Joan Bruna（Yann LeCun博士后） 以统计的角度讲解DL。

CS224d: Deep Learning for Natural Language Processing
http://cs224d.stanford.edu/
斯坦福大学 Richard Socher 主要讲解自然语言处理领域的各种深度学习模型

CS231n:Convolutional Neural Networks for Visual Recognition
http://cs231n.stanford.edu/
斯坦福大学 Fei-Fei Li Andrej Karpathy 主要讲解CNN、RNN在图像领域的应用

关于作者



邱锡鹏，复旦大学副教授，博士生导师，主要从事自然语言处理、深度学习等方向的研究，在ACL、EMNLP、AAAI、IJCAI等计算机学会A/B类期刊、会议上发表50余篇学术论文。

最后附上，本书相关链接地址：
GitHub地址：https://nndl.github.io/

全书 pdf：https://nndl.github.io/nndl-book.pdf

示例代码：https://github.com/nndl/nndl-codes

课程练习：https://github.com/nndl/exercise

--------------------------------------------------------------------------------
●编号866，输入编号直达本文
●输入m获取到文章目录
推荐↓↓↓

程序员书库
--
FROM 159.226.5.*

感谢分享！
--
FROM 115.236.36.*

https://github.com/apachecn/AiLearning

百度搜到的，我猜楼主多贴了几个字母
【 在 shenqing 的大作中提到: 】
: 链接好像404了，能再发一下么？
:
--
FROM 222.64.108.*