你应该选择哪种领先的人工智能课程？选了后怎么学？

来源：hackernoon

作者：Daniel Bourke

智能观 编译

最近我从吴恩达的深度学习课程毕业了，非常自豪，秀一波~

去年年底，我学完了Udacity的深度学习纳米学位课程（DLND）。今年2月份，我又上完了吴恩达的深度学习课程。

作为我自己创建的AI硕士学位学习的一部分，我目前已经读完了70%的Udacity的人工智能纳米学位课程（AIND）。

之所以写这篇文章，始于Quora上的一个问题。

因为我在这两门课程，以及DLND课程方面都有学习经验，所以我打算回答一下这个问题。

简单说一下

两边都学！

如果你想提高应用级的技能，那么我强烈推荐这两门课程。

去年，我没有编程知识，也从未听说过深度学习这个术语。

感谢这些课程，我现在每周都在建立国际一流水平的深度学习模型。

以下是我学习课程的顺序。

Udacity深度学习纳米学位课程

Udacity人工智能纳米学位课程（偏向传统AI）

吴恩达Coursera的深度学习课程

【当前】Udacity人工智能纳米学位课程（偏向深度学习）

假如给我重来一次的机会，我会选择以下顺序来学习。

吴恩达Coursera的深度学习课程

Udacity深度学习纳米学位课程

Udacity人工智能纳米学位课程（偏向传统AI）

Udacity人工智能纳米学位课程（偏向深度学习）

为什么？

吴恩达的深度学习课程采取了深入浅出的教学方法。这是我学习的最好方式。

Udacity的课程质量非常高，但通常会直接进入高级项目。这是学习的好方法，但是如果你没有基础知识，会非常困难。

如果你已经有了深度学习和机器学习的基础知识，或者已经是一个基础扎实的Python程序员，Udacity的人工智能纳米学位课程可能是你开始的理想场所。

为什么要学这两门？

跨界知识。

学完两门课程后，我发现它们彼此互补。

吴恩达的课程薄弱的地方，AIND很强大，反之亦然。

昨天发生了一个真实的例子。我在AIND NLP capstone项目中遇到了一个问题，是与文字嵌入有关的问题。我在论坛上发帖说我无法理解文字嵌入。

感谢Vadim同学的帮助！

在Vadim的建议下，我重新回顾深度学习课程专讲文字嵌入的视频。此前，为了找我能理解的内容，我已经在网上苦苦搜了几个小时。

注意：不要忽视你已经学过的材料！

最后，它们都是很棒的课程。如果你必须选一个，我建议选深度学习课程。“安德鲁大法师”的教学风格有一些真的直击心灵啊！

较长的答案

对于那些有兴趣深入了解我的学习经历的人，请继续阅读。

我把它分成八类。

1.成本和时间：这些课程不是免费或容易的。

2.先决条件：在开始之前你需要什么。

3.获取支持：当你卡住时该怎么做。

4.课程质量：材料有多好？

5.提交项目：你的工作内容发生了什么变化？

6.课程结构：课程如何发挥作用？

7.未来的选择：学完后能做什么？

8.其他学习资源：还有哪些其他学习资源？

1.成本和时间

深度学习课程需要每月64澳元的订购费用（约50美元）才能访问。每门课程用时大约1个月。这意味着五个月你要花费大约250美元。

如果你学得很快，可以在1个月内完成。我的目标是用3个月时间拿下它，现实是，不到两个月我就学完了。

DLND需要预付750澳元（约合580美元）。你必须在4个月内完成和DLND相关的所有项目，否则就要续费。

Udacity的人工智能纳米学位课程是三者中学习时间最长，也是最昂贵的。它包括两段为期3个月的学习，每段学费1000澳元（约775美元）。

根据我的经验，Udacity的课程每周至少需要15-20小时（有时更多）的学习才能保持正轨。

另一方面，我能够完成深度学习课程，每天学习6-8小时，坚持一周，主要是因为我很适应吴老师的教学方法。

2.先决条件

每门课程都把Python的中级知识作为先决条件。

一些数学知识是必需的，但Python应该是你的重点。

如果你能阅读GitHub上的Python脚本，并了解至少60％的情况，那么你可以很好地适应这些课程。

如果Python是你的薄弱点，那在开始之前，还是勤加练习一下吧。

当我开始学习DLND时，我已经学了三周的Python。在此之前，我从未进行过编程。

前几个月我还如坠苦海，但随着信心增长，最终准时完成。当然，我仍然认为自己是一个Python新手。

至于数学，高中时我对微积分、线性代数和几何的理解足以完成课程。这是因为大部分数学都是在TensorFlow和Keras库的背后进行的。

高中毕业后，我就没学过一门数学课程。如果我的数学知识无法理解某个特定的概念，我就去可汗学院学习，提升自己的数学技能。

如果你想学AI或深度学习博士课程，那么必须掌握数学技能。

不过，如果要用从这些课程中学到的技能来构建应用级的AI，不需要深入了解背后的数学知识。

如果再给我一次重学的机会，那我不会在开始之前学那么长时间Python。

3.获取支持

学每门课程时，我遇到了很多障碍。我发现支持服务很有用。

DLND和AIND有自己的Slack频道和专用论坛。

两个Slack频道内还有其他几个不同主题的频道。

有时候，Slack频道可能会有点吵闹

这两种渠道都有成千上万的人，大多数主题至少有几百个用户。导师也经常主持“ask me anything sessions”（AMA’s）的活动，并浏览这俩渠道，回答任何问题。

根据我的经验，Slack频道非常吵闹。除了发布我自己的问题或者寻找有同样问题的人，我不会使用它。

论坛则是完全不同的体验。我很少提问，因为我遇到的很多问题，论坛上已经有人提了。答案并不总是很清楚，但如果很清楚，就不叫学习了。

如果我被困住了，那我会在闷头解决自己的问题之前，逛逛论坛，从脑海里先构建一些想法。

深度学习课程的论坛和上述论坛类似。主要区别在于用户不能直接从任务中发布代码，但伪代码没问题。我发现这里的论坛足以解决我的问题。

当你注册AIND后，会被系统分配一位导师。我的导师名叫Ayushi，她是印度的软件工程师。

导师在必要时会提供一些支持，很多时候，当与Ayushi谈论我面临的问题时，问题似乎已经解决了。

不要怀疑自己的能力，大声讨论你的问题，而且永远不要害怕寻求帮助。

提问时，最好有效地表达出来。解释清楚你面临的问题，让其他人更好地帮助你。这是我正在做的事儿。

4.课程质量

每门课都是世界一流的。我经常说这些是我学过的最好的课程。

DLND分为六个部分，其中五个部分附有重要项目。

简介。

神经网络：创建你的第一个神经网络。

卷积神经网络：建立一个犬种分类器。

循环神经网络：使用神经网络生成电视剧。

生成对抗网络：建立脸部生成器。

深度强化学习：教四轴飞行器如何飞行。[新]

每个项目都专注于为你提供某种深度学习技巧的实践经验。如果你以前没有做过太多的Python编程，它们将很难实现，但并非不可能完成。

注意：第6节是DLND的新增内容，我尚未尝试。

吴恩达的深度学习课程分为五个部分。

神经网络和深度学习。

改进深度神经网络：超参数调整，正则化和优化。

构造机器学习项目。

卷积神经网络。

序列模型。

我认为第2、3项课程非常棒。其他课程在结构上与DLND提供的类似。课程第4、5项让我加深了对DLND内容的掌握程度。

AIND课程包括两个部分：第1部分侧重于传统的AI方法，第2部分侧重于深度学习。

在第2部分开始前，对于那些从未接触过深度学习的人来说，提供了一个桥接课程。我已经完成了DLND课程，可以跳过这一步。

第1部分

建立一个游戏代理：采用对抗性搜索和启发式评价相结合的方法构建数独求解与隔离游戏代理。

实施规划搜索：使用规划图启发式方法建立航空货运物流系统。

设计手语识别系统：使用隐马尔可夫模型识别手语手势。

如果你没有学过DLND，那AIND的第2部分也会包括以上内容，你可以选择其中一项购买。我已经完成DLND，所以我可以访问以上三个。

第一部分的内容对我来说很难。我虽然已经学习了深度学习和其他机器学习技术，但由于缺乏编程能力，所以学得很吃力。

注意：以上内容可能已更改，请务必通过电子邮件向Udacity支持发送说明。

第2部分

计算机视觉集合:使用深度学习和OpenCV构建面部关键点检测系统。

自然语言处理集合:建立机器翻译模型，将英语翻译成法语。[我目前学到这里]

语音识别系统：建立一个语音检测系统。

在每个集合内，你都可以参加一系列小型项目和讲座，直到项目完成。

目前，我正在学习第2部分的自然语言处理集合的内容。最近，我一直在练习实施自然语言处理流程（文本预处理、特征提取和建模）的步骤。所有这些都是为机器翻译项目做准备。

5.提交项目

DLND和AIND提交项目非常相似。通过Udacity教室，你可以使用代码提交项目文件或链接到GitHub。

在24小时内，评论员会回复你。但是，这不是普通的评论。评论员通常会在你的代码中留下几条评论，并提供反馈或建议，以帮助你了解更多信息。

我无法对评论员进行足够的评论。我总是期待听到他们的观点。

对于深度学习课程，所有项目和小测验都会自动标记。这很节省时间，因为你可以立即获得结果，但是，你看不到建议，了解不了更多信息，也不知道在哪里进行改进。

6.课程结构

Udacity的课程会将简短的演讲（大部分在2-8分钟之间）与完整的信息图结合起来。而在线的基于Python的编程测验通常会涉及一个重要的主题。

在完成项目之前，他们还会提供一个预热项目作为实践（并非必选）。

例如，在完成机器翻译项目之前，AIND的NLP集合课程提供了情感分析项目作为练习。

吴恩达的深度学习课程的结构，与他机器学习课程的非常相似。5分钟以下的视频很少见，平均约为10分钟。我以1.5倍速度观看了它们。

吴老师使用一系列幻灯片进行教学。在介绍一个主题时，他经常在幻灯片上写下例子，并讨论背后的想法。

在每个系列讲座结束时，学生需要完成一个非编程的多选题测验。测验涵盖了讲座中的理论知识，少数问题需要进行一些数学计算。

通过测验后，你可以使用Jupyter笔记完成编程作业。每个编程任务需要80分或更多才能通过。

如果你遇到关于项目或任何课堂材料的问题，论坛就是你的朋友。

7.未来的选择

完成课程后，有时候可能不知道自己下一步要做什么。至少，这是我的感受。

显而易见，答案是运用你学到的东西。

但是如何运用？

博客文章

每当你有空的时候，记得写作。写下你学到的东西，将有助于巩固你的想法。

与他人分享你的作品将有助于他们的学习。

公开你的写作也会让别人评论你的想法，这是另一个宝贵的学习机会。

制作视频

也许写作不是你擅长的，但你可能有一个相机。谈论你学到的东西跟写作一样好。视频不一定需要最好的质量。

在摄像头前说话有助于培养你的演讲技巧。

在任何情况下向其他人讲述你所知道的情况。

分享你学到的东西。

在HackerRank或Kaggle上练习

HackerRank和Kaggle都提供了大量的资源，帮助你练习学到的技能，并帮助你学习新技能。

Kaggle非常乐意接受数据科学、机器学习和深度学习项目的实践经验。你甚至可以在上面建立自己Kaggle大师的美名。许多顶尖的Kaggle选手进入数据科学领域后，都不会遇到什么问题。

HackerRank更专注于帮你提高编码技能。它提供不同的编码挑战，同时记录你所做的一切，填充你的简历，帮助你向未来雇主展示能力。

建立一些东西

你有自己的想法吗？使用你学到的技能来实现它。将它分享给其他人，他们也可能会发现它的价值。如果失败，请与他人分享你从创建过程中学到的东西。如果成功了，恭喜你！

所有这些都促成了一件事。

当老师。

你花了大量精力学习有价值的东西，并遇到很多障碍。别人怎么能避免你的错误？他们如何从中获得经验？

注意：我仍在做这些事！

8.其他学习资源

AI在线学习空间正在爆炸式增长。信息太多，我们很难知道要注意什么。

就我而言，完成AIND后，我关注了fast.ai。

之后，我一直在关注Coursera的数据结构和算法专业课程，以弥补自己编程能力的不足。

对于学AI的你，我“墙裂”推荐以下资源。

Siraj Raval的YouTube视频

链接：

https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A

Colah的博客

链接：

“精通机器学习”博客

链接：

https://machinelearningmastery.com/

由Francois Chollet提供的深度学习与Python

链接：

https://www.manning.com/books/deep-learning-with-python

如果你有更多好资源，热烈欢迎在留言区分享。

总结

如果你追求的是高难度的技能，那么尽可能完成所有的课程，并通过教别人知识或建立一些东西，来实现你学到的内容。

如果你想快速进入人工智能领域，并想了解每个深度学习模型需要什么，以及它的能力，那么从Coursera的深度学习课程开始。

无论你决定要做什么，请记住，学习东西本质上是很难的。

当你觉得困难的时候，想一想自己为什么要开始。

更新（2018年3月29日）：写完这篇文章后，Udacity彻底改变了他们的AI课程。本文许多具体细节（课程价格/材料）可能不完全适用，但学习的原理和下一步做什么仍然是有用的。

https://hackernoon.com/what-leading-artificial-intelligence-course-should-you-take-and-what-should-you-do-after-261a933bb3da

—完—

亲爱的朋友：

后台经常有读者留言，咨询该从哪里入手，学习深度学习相关课程。

这篇文章对学习过程介绍得详细明了，我们整理出来，分享给你，希望对想学习的你有所帮助。

祝安！

智能观 一米

2018-4-7 于北京中关村

想知道AI加教育领域有哪些最新研究成果？

想要AI领域更多的干货？

想了解更多专家的“智能观”？

请在对话界面点击“找找看”，去获取你想要的内容吧。

声明：

编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。

转载智能观原创文章，请联系

智能观小艾（微信号：zng2017618）！

关于我们

我们关注AI+教育。致力于提供高附加值的知识，以帮助每一位老师和我们的读者不断学习并提高技能。

我们努力让发表的每一篇文章都具有最佳质量，以满足读者的需求。