Coursera Deep Learning Specialization：此课程序列探讨了深度学习的先进技术，如卷积神经网络、递归神经网络和生成对抗网络。(course是什么意思)
该课程系列探讨了深度学习的先进技术，例如：
- 卷积神经网络
- 循环神经网络
- 生成对抗网络
课程内容
该专项课程共包含 5 门课程：
- 神经网络和深度学习导论：介绍神经网络的基础知识和深度学习的原理。
- 卷积神经网络：深入学习卷积神经网络，包括其结构、训练和应用。
- 循环神经网络：探索循环神经网络，包括其结构、训练和应用，重点关注自然语言处理和时间序列预测。
- 生成对抗网络：讲解生成对抗网络（GAN），包括其结构、训练和应用，重点关注图像生成和文本生成。
- 深度学习项目：提供了一个动手实践的机会，让学生将所学的知识应用到实际项目中。
课程目标
完成该专项课程后，学生将能够：
- 理解深度学习的基础原理和算法。
- 应用卷积神经网络、循环神经网络和生成对抗网络解决实际问题。
- 构建和训练深度学习模型。
- 评估和改进深度学习模型的性能。
适合人群
该专项课程适合以下人群：
- 对深度学习感兴趣的专业人士和学生。
- 希望在计算机视觉、自然语言处理或机器学习领域发展职业生涯的人士。
- 希望提高其深度学习技能的专业人士。
先修课程
建议学生在参加本专项课程之前具备以下先修课程：
- 机器学习基础知识
- 编程语言（例如 Python）的基础知识
- 线性代数和微积分的基础知识
授课方式
该专项课程采用在线授课方式，学生可以按照自己的节奏学习。课程提供以下内容：
- 视频讲座
- 交互式测验和练习
- 编程作业
- 讨论区
认证
完成该专项课程后，学生将获得 Coursera 电子认证，证明他们已成功完成该课程。
了解更多信息
有关该专项课程的更多信息，请访问
Coursera 网站
。
吴恩达AI布局三板斧第一斧，真的需要培养这么多AI专家吗？| 独家专访
吴恩达，全球顶尖人工智能专家，宣布其初创公司将通过Coursera提供最新深度学习在线课程，以培养数百万AI专家。
课程旨在帮助不同行业掌握近来AI技术。
AI专家成为科技世界最受追捧、薪酬最高的职位。
深度学习技术，教会机器使用大量数据和模拟神经网络执行复杂任务，需要深厚技术积累。
吴恩达新课程是其三个AI项目之一。
他希望教育出大量AI工具使用者及新发明者。
AI能降低商品成本、改善教育、改革医院体系，使世界变得更好。
我们真的需要这么多AI专家吗？答案是肯定的。
虽然大学教育体系转型，但不能完全依赖大学。
随着深度学习技术的革新，它为社会带来巨大价值的同时，对技术人员的技能要求更高。
大型非技术领域公司缺乏懂深度学习的人员，需要对其员工进行培训。
教育本身通过自动化实现，Coursera课程提供大量教育资料，分析学生观看视频和回答问题。
AI行业在中国发展迅速，与美国科研资金减少形成对比。
吴恩达的项目旨在传播AI知识，建立AI驱动型社会，让每个人享有更好的生活。
AI将改善医疗、教育、交通等领域，降低人力成本，创造更多机会。
通过深度学习，AI技术能在教育、医疗、交通等各行业实现自动化和智能化。
吴恩达呼吁全球AI社区共同努力，建立一个AI驱动的世界。
深度学习项目将提供五门专业课程，涵盖深度学习基础、架构神经网络、领导机器学习项目、医疗、自动驾驶、手语阅读、音乐生成及自然语言处理案例研究。
学员将掌握理论知识和实际应用，使用Python和TensorFlow实践。
顶级专家将分享故事和职业建议。
课程完成后，学员可获得深度学习专业课程认证，并在简历中添加此技能。
加入吴恩达的行列，一起构建AI驱动的世界。
如何成为一名AI人工智能算法工程师？
如何点燃AI人工智能算法工程师的璀璨之路？
探索AI世界的入口，始于一个清晰的目标和坚定的决心。
我将分享一年的学习心得，助你踏上这条充满挑战与机遇的道路。
起航点：数学背景与实践机遇
源于实习时的金融领域实践，我被信用评分模型的挑战吸引，开始了对Python的自学之旅。
数学背景为理解复杂算法奠定了基础，而实习中的实际应用则成为学习的催化剂。
学习路径：从零到进阶
初始三个月，通过数据清洗和Python基础学习，如Pandas和NumPy，免费的工具如Anaconda让你快速上手。
遇到困难时，耐心调试和处理错误，逐渐从基础到深入，掌握XGBoost和Auto ML等高级技术。
心态转变：挑战与自信并存
从挫败中成长，非计算机专业出身的我曾面临重重困难，但对AI的热爱驱使我坚持下来。
从最初的挫败到自信的提升，是每个AI学习者必经的阶段。
明确目标，享受学习过程
设定目标是关键，比如你可能希望掌握NLP，用深度学习如RNN或LSTM做智能问答。
实习期间，目标清晰，学习路径自然流畅。
比如，从金融转向智能家居（如Javis），你的目标将引领你深入AI领域，如机器学习、深度学习、强化学习等。
理论与实践的桥梁
理论知识是AI工程师的基石，面试时常会深入探讨模型和算法细节。
从不爱记笔记到机器学习时的笔记记录，每一步都至关重要。
学习路径可以这样理解：机器学习→深度学习，掌握监督学习（如分类）和无监督学习（聚类）。
实战与社区的力量
从数据预处理到模型预测，实战项目如Titanic和图像识别是入门阶梯。
进入深度学习，CNN（LeNet5和AlexNet）是起点。
开源社区如Kaggle（实战项目与机会）、GitHub（开源项目）、Stack Overflow（技术解决方案）都是宝贵的资源。
进阶之路：社区与学习资源
硬件与环境：搭建你的AI工作站
选择适合的笔记本，如ThinkPad X1 Carbon，配合Anaconda环境和Python 2/3，为高效编程创造良好环境。
推荐使用Spyder、Anaconda IDE、Jupyter Notebook和PyCharm等IDE。
职业发展：招聘与技能准备
关注大厂的网申时间，实习机会是积累宝贵经验的关键。
技术能力要提前准备，包括手写代码和参与Kaggle比赛提升实战能力。
项目经验与实习经历是简历上亮丽的一笔。
选择与AI或数据挖掘相关的实习，利用Kaggle平台参与比赛，了解常见的BAT面试问题。
紧跟市场动态，面试时展现你的学习热情和项目兴趣。
积极拓展人脉，有策略地选择面试机会。
反思与成长
在学习过程中，反思不足，面对困难时保持耐心和信心。
AI领域的璀璨之星如陈天奇等人的成功，提醒我们时不我待，热爱是你前行的动力。
总结，热爱是AI之路的指引，即使面对挑战，也要坚持下去。
每个热爱者的光芒，都将在AI的星辰大海中闪耀。
进大厂全靠自学，微软&头条实习生现身说法：我是这样自学深度学习的丨课程传送门
跟着网络资料自学、刷MOOC是许多人学深度学习的方式，但深度学习相关资源众多，应该从哪儿开始学呢？本文由富有自学经验的GitHub用户Sanny Kim贡献出了一份深度学习自学指南。
她自学成才，有Udacity、、Coursera的一大堆课程认证，甚至连大学都是上的以自学、MOOC著称的Minerva大学，自学卓有成效，曾经在微软做实习软件工程师，现在则是字节跳动（头条）AI实验室的机器学习实习生。
本文分享了自学深度学习的步骤与资源，包括代码与数学基础。
代码的选择毋庸置疑，一定要学Python，这是当今深度学习界最火的语言。
数学一样重要，虽然数学常常难倒英雄汉，不过如果你想把深度学习拿来在你的领域试用的话，暂时不需要搞明白太多数学基础。
但是，Sanny Kim建议，熟知数学理论基础，使用深度学习框架会更易懂，因此需要一定的微积分、线性代数和统计学基础。
以下是学习Python、微积分、线性代数、概率与统计的推荐课程：
深度学习入门非常重要的两套课程包括吴恩达的和Jeremy Howard和Rachel Thomas的。
Sanny Kim的学习方式是：先看的1、2、4、5；然后在看的第一部分；接着看的3；可选做的作业；最后把上面的1~4复习一遍。
在学习深度学习后，可以开始使用深度学习这项大杀器了。
可以找一些灵感，比如超厉害的深度学习idea、Kaggle比赛、Kaggle数据集等。
选择一个你觉得好用的深度学习框架，如TensorFlow、PyTorch、Keras等。
项目实践后，可以开始写技术博客。
之后，可以深入学习计算机视觉、自然语言处理、机器学习、自动驾驶等领域的深度学习。
Sanny Kim建议先学习的第二部分，从那里了解一些前沿的东西，如GAN、神经翻译、超分辨率等，之后就可以选择一个你喜欢的方向深入研究了。
在计算机视觉方面，可以学习斯坦福CS231n、伯克利CS294、牛津深度学习课程等。
自然语言处理方面，可以学习斯坦福CS224N、CMU NLP神经网络、牛津&DeepMind深度学习NLP等。
继续研究深度学习方面，可以学习Fullstack深度学习训练营、伯克利CS294深度无监督学习、斯坦福CS230等课程。
如果想研究强化学习，可以学习Arxiv Insight、Jacob Schrum、Andrej Karpathy、吴恩达的强化学习论文、斯坦福CS234等课程。
如果对机器学习感兴趣，可以学习吴恩达的机器学习课程、加州理工CS156、Christopher Bishop的《模式识别和机器学习书》等。
如果对自动驾驶感兴趣，可以学习MIT自动驾驶课程、自动驾驶的计算机视觉等。
在学习过程中，可能会遇到梯度下降、反向传播等问题，可以查阅相关资料进行学习。
重点论文包括AlexNet、VGG、InceptionNet、ResNet、生成对抗网络、Yolo对象检测、用深度强化学习玩雅达利游戏等。
学习过程中，需要关注各类补充资料，如深度学习、PyTorch、Numpy、Pandas、Matplotlib、Scikit-Learn、Jupyter Notebook等。
相关文章
