深度學習哪家強？吳恩達、Udacity和Fast.ai的課程咱們替你分析好了

摘要：本文從指導老師、課程概述、課程亮點、課程侷限以及所需費用這五個方面進行了分析比較。

翻譯 | AI科技大本營（rgznai100）

參與 | reason_W

引言

過去2年，我一直積極專一於深度學習領域。我對深度學習的興趣始於2015年初，那個時候Google剛剛開源Tensorflow。我根據Tensorflow的文檔快速地嘗試了幾個例程，當時的感受是深度學習並不簡單。部分緣由是由於深度學習的框架很新，也須要更好的硬件支持和耐心來摸索。

時間快進到2017年，我已經在深度學習的項目上花費了幾百個小時。而且因爲軟件（易用性，例如Keras，PyTorch）、硬件（對於我這樣在印度工做的人來講，儘管仍然不便宜，但GPU已經發展成了商業產品）、數據可用性、優質書籍以及MOOC的發展，這項技術正在變得愈來愈觸手可及。

在完成了Fast.ai，deeplearning.ai /Coursera （不徹底發佈）和Udacity這三個深度學習領域最受歡迎的MOOC以後，相信寫這樣一篇博客，告訴大家能指望本身從這3門課程中學到什麼，對之後的深度學習愛好者必定頗有用。

Fast.ai：http://www.fast.ai/

deeplearning.ai /Coursera ：https://www.deeplearning.ai/

Udacity：https://in.udacity.com/

在這篇文章中，我將從5個方面介紹每門課程，這將有助於你作出決定。

1. 關於指導老師：每門課程都是由具備不一樣背景的人教授的。我相信這些經歷對教學風格有很大的影響，因此咱們將瞭解一下課程指導老師的背景。

2. 關於課程：課程的高級概述。

3. 亮點：課程中最精彩的部分。

4. 侷限：我對這個詞很是苛刻。由於我知道全部這些課程都爲了讓學習內容變得更容易，付出過巨大而真誠的努力。我想把這一部分解釋爲，咱們在課程中錯過了什麼。某些侷限性多是由於課程的設計帶來的。

5. 費用：參加課程產生的費用。

Fast.ai

我是在kddnudgets的一篇文章中發現的這門課程。當時是我第一次據說Jeremy Howard，因而我在維基百科搜索了他，印象很是深入。因而我購買了這門由Jeremy和Rachel Thomas教授的MOOC。看完第一堂課，我就被他們的教學風格深深震撼了。

您將在幾個小時內學到如何構建頂尖水準的圖像分類器，這甚至連幾美圓的價格都不到。

Jeremy Howard：

https://medium.com/@jeremyphoward

https://en.wikipedia.org/wiki/Jeremy_Howard_%28entrepreneur%29

關於指導老師：

Jeremy的背景與一般的教授很是不一樣，他不是任何頂尖大學的博士生導師，也不曾就任於谷歌，百度，微軟等頂級公司。他自學成才，是kaggle競賽高手，企業家和Fast.ai的CEO，目前惟一的目標就是讓深度學習再也不神祕。 他的獨特背景讓這門課程變得不同凡響，由於他教會了不一樣背景的人如何使用深度學習，而無需大量數據或計算能力。

關於課程：

課程分爲2部分，每7周學完一個部分。

課程的第一部分講授如何在計算機視覺和天然語言處理(NLP)領域使用深度學習。

第二部分講授生成網絡，GAN，序列模型等前沿研究工做，如何閱讀研究論文，以及如何在深刻學習領域保持領先的實用技巧。這些技巧正在以驚人的速度發展。

本課程教學風格獨特。課程做者習慣於這種獨特的方法。

咱們不會讓您在先了解有關速度，動量，分析等方面的信息以後，再去學習打板球（或任何遊戲），最後在18點進場。相反，咱們先帶您先去現場，握着球或棒球棒，而後在實戰中學習其餘知識。

經過這種獨特的方法，您將首先學習如何在雲上部署工做站，安裝軟件，並使用深度學習快速構建解決方案。每週Jeremy會挑選一個新的問題，而後他教授你如何使用技術來提升模型的性能。他教的東西很實用，好比使用預卷積特徵，僞標記和許多很是有用的技巧。到第一部分結束，您將可以使用深度學習在您工做的領域構建實用的應用程序。

課程的第二部分介紹了前沿研究，幫助您閱讀，理解和實施生成式模型，圖像分割和序列到序列模型的各類研究論文。您將學習構建一些有趣的項目，如風格轉移，低分辨率圖像到高分辨率圖像，GAN，圖像分割，翻譯以及如何將深度學習應用於結構化數據。第二部分最重要的部分是創建本身的工做站。若是您對深度學習充滿激情，並但願構建各類深度學習應用程序，這將很是有用。

亮點：

1. 構建一流的計算機視覺或NLP系統的能力。

2. 瞭解和使用爲深度學習應用程序提供支持的現代主流架構。

3. 當您的數據和計算能力有限時，如何快速應用DL的實用技巧。

4. 一個龐大的社區，支持您在不一樣階段學習和實施您的解決方案。

5. 輕鬆使用3種流行的DL框架：Keras，TensorFlow，PyTorch。

6. 在課程結束以後，您將再也不爲閱讀研究論文，構建新項目而頭痛。Fast.ai的博客以及整個社區都將爲您提供支持。

侷限：

1. 因爲本課程遵循自上而下的方法，您將很是依賴一個框架來對基礎數學有必定的理解。若是您正在籌備一項工做或計劃在該領域進行更多的研究，那麼提升你理解DL中的數學知識的能力將頗有幫助。

2. 有些機構對證書很看重，他們認爲這是你完成課程的證實。但我猜Jeremy認爲咱們都是成熟的孩子，因此沒有提供任何形式的證書。 Jeremy和Rachel鼓勵撰寫博客，構建項目，在會議中進行討論等活動，以實力來代替傳統證書的證實做用。 我我的認爲這是很是有用的。

費用：

MOOC自己沒有相關費用。可是要上手實踐這些項目，您最終須要在AWS上產生支出，或許您會選擇本身配置機器，但這樣作很貴。固然在家裏有一個強大的工做站是很是有幫助的。

Deeplearning.ai

最近， Andrew Ng 在Twitter上發佈了關於這門課程的消息。 從2014年初開始，我就一直在關注他，我正在參加他在Coursera上的一門課程，學習和機器學習有關的數學知識。 從工程背景出發，他的第一門課程很是有趣，同時也有點難度。2016年末的時候，吳先生從百度離職，再也不擔任百度的首席科學家，並於今年8月8日推出了一個新的深度學習專業化的課程。 我在今年晚些時候纔想起來，由於個人時間以前一直被一些其餘的項目所佔據。 而後我從Fast.ai上 Arvind N的學生那裏讀到了一篇關於他如何在4天內完成全部3節課的博客以及他對fast.ai和deeplearning.ai的見解。

我想挑戰本身，看是否我能夠在不到4天內完成相同的事情。而且我成功了，在3天內完成了3門課程。

關於指導老師：

Andrew Ng是斯坦福大學教授，共同創辦了Coursera，成立並領導了Google Brain的深度學習項目，並曾任百度首席科學家。課程反映了他在各類大規模問題上學習到的知識。

該課程幫助您瞭解深度學習所需的數學知識，並在課程2結束以後，學習如何從頭開始構建深度學習算法的幾個關鍵組件。

關於課程：

課程分爲5節。截止到這篇博客發佈（8月19日），已經發布了前3節課。 Andrew Ng在本門課中採用了自下而上的教學安排。在他早期的課程中，他選擇octave進行編程做業，但這個課程他選擇了python。

1. 在課程1中，他詳細地介紹了深度學習中許多概念所需的數學和直觀認識。他當心地對課程內容進行平衡，並教授數學知識，這是瞭解深度學習的基礎所必需的。指定會話對經過編程的方式實踐數學知識很是有幫助。全部的公式都已經提供好了，因此哪怕沒有太多的數學知識，你也能夠專一於實現它們。

2. 課程2涵蓋了正則化，動量，批量歸一化和dropout等許多技術，來提升DL模型的性能。這個課程的最好的部分就是使用python和numpy來實現全部的技術。

3. 在第3節課中，他介紹了他從多年的經驗中學到的不少技巧和竅門。在第三部分課程結束時，他介紹了DL框架。課程3的做業是學習怎樣使用TensorFlow。做業設計的很是明確。

4. 課程4是關於CNN的。課程發佈後，我將更新此部分。

5. 課程5是關於RNN或序列數據的。一旦課程發佈，我將更新該部分。

亮點：

1. 當你學完前3節課後，你的基礎知識將很是強大。

2. 前3個課程採起了框架獨立的方法。這能讓你輕鬆使用任何框架。

3. 課程中包含了關於如何設計評估指標、如何分割數據集進行訓練以及避免方差和誤差問題的實用技巧。

4. 固然，最好的一部分是案例研究，您能夠在這裏找到一個機會，來驗證你已經理解了如何成功執行深度學習項目。

5. 全部的做業都是以jupyter notebook的形式提供的，並在Coursera服務器上運行，所以無需擔憂基礎的框架。

6. 學完3節精彩的課後，仍有2節課值得期待。

7. 每週都有一個名爲「深度學習英雄」的演講。這是一個很好的來源，讓咱們瞭解深度學習背後的歷史和靈感。

侷限：

1. 對於一些全新的深度學習或機器學習項目，從頭開始構建每一部分並瞭解其背後的數學原理，可能很是具備挑戰性。

2. 因爲課程遵循自下而上的方法，因此即便在第三節課結束後，您仍然很難在您的領域中使用DL來構建解決方案。

3. 因爲提供了基礎框架，因此您將再也不學習如何管理本身的工做站。並且若是要使用不少技術，有能力在雲端或家庭/辦公室配置機器這一點很是重要。

4. 課程提供了許多示例代碼，使得完成做業變的更容易。可是要真正掌握一個技能，還得不使用示例代碼，將整個做業復現一遍，這是很是重要的。這可能談不上是課程的侷限性，但若是您想要充分利用它，這是很是重要的。

費用：

全部課程內容都是免費提供。可是我不知道這些做業是否也免費提供。若是你正在參加付費版本的課程，那麼你最終每個月花費大約367元或55 $。

Udacity上Siraj Raval深度學習納米學位

我是Udacity的粉絲。他們在不少主題上都有很是好的課程。因此當今年初讀到深度學習課程的公告時，我很是開心，並在第一批就進行了註冊。

關於指導老師：

一部分課程來自Siraj Raval的視頻，其他部分則來自Udacity。 我瞭解Siraj Raval是源於他在YouTube上的一些很是有趣的視頻。他是一個多才多藝的人，經過將音樂和視頻混合在一塊兒，以充滿趣味性的方式巧妙地提供教育視頻。課程中還有一部分是由Andrew W.Trask和Ian Goodfellow教授。

關於課程：

與其餘2門課程不一樣，本課程不會採起很是明確的自下而上或自上而下的方式。課程分爲5個部分，並附贈100美圓的亞馬遜Credit。它涵蓋了不少深度學習技術，如CNN，RNN，GAN，自編碼器。

亮點：

1. 在本課程的頭幾個星期，您將學習如何使用python構建神經網絡，課程其他部分將集中使用TensorFlow。

2. 做爲課程的一部分，對你提交的全部項目，Udacity都將提供個性化的項目批改。

3. 到課程結束的時候，您能夠在全部項目中輕鬆使用TensorFlow。

4. 高質量的社區和論壇指導，他們隨時準備爲您提供幫助。

侷限：

1. 課程提供了一些操做技巧，來告訴你如何最佳地部署深度學習 /得到出色的表現，但這沒有做爲課程的重點。

2. 一些項目太簡單以致於難以在現實世界中應用。這些項目的數據集很是小。

3. 課程提供了示例，對複雜的DL應用程序構建過程進行簡化。可是，若是您的學習目的是在現實世界進行實際使用，建議您自行構建項目，而不使用示例代碼。

費用：

課程費用較高。沒有提供免費版本。我參加課程的時候，有一個限量優惠，因此當時的成本約爲2335元或350 $。

建議：

若是有人想從今天就開始[自學]深度學習，我會建議你先完成fast.ai，由於它的先決條件最低。接下來能夠按順序或並行地參加Coursera 深度學習專業化課程的學習。感謝全部爲了深度學習的普及真誠的付出過努力的人。

做者簡介：Vishnu Subramanian，終身學習者，熱衷於深度學習，分佈式計算。目前正在積極尋找AI /深度學習的機會。

若是你想學習深度學習，你會選擇哪家的課程呢？