![](https://cdn.jiqizhixin.com/assets/code-modal__close-c158a550a9982aa92801c046548d72945aa912de6f2a012513132fdc02dfc379.png)
Auto Byte
专注未来出行及智能汽车科技
![](https://cdn.jiqizhixin.com/assets/auto-byte__qr-code-89b58c6d2398c12b7def0f2538cac5ff08727062918f9bad97f25b1d61aac000.png)
微信扫一扫获取更多资讯
![](https://cdn.jiqizhixin.com/assets/code-modal__close-c158a550a9982aa92801c046548d72945aa912de6f2a012513132fdc02dfc379.png)
Science AI
关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展
![](https://cdn.jiqizhixin.com/assets/science-ai__qr-code-a12e4635c8d3968645bd2b6371981b65b0d21058c5a2c216aef80015b4eb7e43.png)
微信扫一扫获取更多资讯
大年初四,宜学习:MIT 6.S191视频、PPT上新!网友:这是最好的深度学习入门课之一
在深度学习领域,我们可以检索到各种各样的入门课程,但真正能让人「入门」的可能没有几个。在为数不多的「真 · 入门」课程里面,MIT 的《深度学习导论(6.S191)》着实值得一提。最近,这门课程的更新又引起了新一轮的围观,刚放出几天的视频已经有了 7 万多的点击量。![](/uploads/editor/766bb602-29b2-4075-bb53-83b3a9036e4b/640.png)
这种强大的号召力离不开该课程在过去几年所积累的口碑。自开课以来,数千名学生、数百万线上学习者已经从中受益。![](/uploads/editor/8b4d2385-65f8-4c9c-8ddf-b4753b58fa0e/640.png)
有人甚至称赞说:「在现有的课程里面,这绝对是最好的深度学习入门课程之一。」![](/uploads/editor/983942ac-c775-4b8d-b3fa-bde2ff503629/640.png)
从各方反馈来看,它的「好」主要体现在以下几个方面:1. 门槛不高。部分学生表示,这门课程不需要你有多深厚的基础知识,也不需要精通 Python,很多非计算机科学领域的学生也能受益匪浅。![](/uploads/editor/bd0a5bf0-de4d-4424-8015-1f8eb5751bef/640.png)
2. 老师的讲解通俗易懂,而且 PPT 制作非常用心。知乎用户 @石刁柏 Asparagus 表示,「这门课程制作的 PPT 是我见过最简洁、最清晰的。PPT 里把每个公式、步骤写成最完整的展开形式,并配图,而不是甩出一个个初学者很难直接理解的简化缩写公式。」而且,「课程讲解过程中会把公式和 TensorFlow 的具体代码相结合,具体到每一步操作。」![](/uploads/editor/90a36be6-97e3-4732-949b-72a1d4483fdb/640.png)
由于课程着实优秀,有学生表示:「两个月前就把小板凳搬好了」。![](/uploads/editor/dd2c4dba-db38-406d-8eec-05621f20b042/640.png)
目前,2021 版的新课已经放出了部分视频和 PPT,大家可以去课程主页获取相应资源。
MIT《深度学习导论》是一门入门课程,介绍了深度学习技术在计算机视觉、自然语言处理、生物学等领域的应用。通过学习这门课程,学生将掌握深度学习算法的基本知识,以及用 TensorFlow 搭建神经网络的实战经验。![](/uploads/editor/ed960789-3117-409d-8225-2a03d06ce6b5/640.png)
这门课程包括 lecture、Software Lab、Paper review、Final Project 等多个环节。![](/uploads/editor/cc229f25-8a3e-4fc9-b6be-d25b3b88b00a/640.png)
![](/uploads/editor/cbcf642c-adaa-486d-a69d-47ffd9fd2c07/640.png)
其中 lecture 共有 12 讲,涵盖了深度学习的基础知识与多个应用领域:深度学习导入
深度序列建模
深度计算机视觉
深度生成建模
深度强化学习
局限性与新领域
Evidential 深度学习
偏见与公平
信息提取学习
解决数据集偏见
3D 内容创建
AI 医疗
此外,该课程设置了三次 Software lab 项目,即使用 TensorFlow 框架的实践操作练习。学生可以使用 Google Colab 中的 iPython notebook 进行操作,通过实践在 TensorFlow 中实现神经网络。虽然门槛相对较低,但这门课程还是需要学生掌握最基本的线性代数和微积分知识,如矩阵相乘、求导、链式法则的运用等。Python 技能对上课有帮助,但并非必需。总体来看,该课程对新手非常友好,参加该课程的很多学生都来自非计算机科学领域。除了学生之外,部分老师也会将这门课作为教学辅助材料。为了避免版权纠纷,MIT 给出了明确的引用规定:![](/uploads/editor/a253cf5b-aab4-4f0b-8053-67bb2e4536ce/640.png)
![](/uploads/editor/98877898-d972-4eec-904d-234817e68166/640.png)
该课程的主要组织者和讲师 Alexander Amini 是麻省理工学院(MIT)的博士生,导师为 Daniela Rus 教授。Alexander Amini 同时还是 NSF Fellow,并在 MIT 完成了电子工程与计算机科学理学学士和理学硕士学位,并辅修数学。Alexander Amini 的主要研究领域包括为自主系统的端到端控制(即感知到驱动)构建机器学习算法,并为这些算法制定保障。他还研究过自动驾驶汽车的控制、形式化深度神经网络的置信度、对人类移动性的数学建模,以及构建复杂的惯性优化系统。![](/uploads/editor/e2e0518e-b1e2-464a-ab96-17fbab1a313b/640.png)
另一位主讲者 Ava Soleimany 是哈佛生物物理学博士,与 Sangeeta Bhatia 一起在 MIT Koch 癌症研究所进行研究,并获得 NSF 研究生研究奖学金计划的支持。此前,Ava Soleimany 在 MIT 完成了计算机科学和分子生物学学士学位。Ava Soleimany 博士阶段的研究重点是用于癌症早期检测的新诊断方法,其研究利用了纳米技术、机器学习和统计学、化学生物学和生物工程的工具来创造新的诊断和治疗生物技术。