[[383847]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

告別“拼圖式”學習！

最近，一套深度學習和強化學習的免費課程在reddit上引起網友關注，獲贊690+。

只因其不僅形式豐富，還綜合了基礎理論和具體應用，幫你將幾何學、統計學等相關理論串聯起來，解決復雜的問題。

對于初學者來說，稱得上是個學習大禮包了。

課程來自杜倫大學計算機系助理教授Chris Willcocks，他表示：

相比于其他課程，我想這一套課程涉獵廣泛，并且足夠緊湊。

不妨一起來了解一下吧～

課程設置

課程分為深度學習和強化學習兩個板塊，各有10節課，總時長約為20小時。

除了視頻之外，還提供了PPT、Colab代碼示例以及一些相關論文。

其中深度學習課程的第1～5課，側重于理論，包括：

第1課：簡介；
第2課：數學原理和反向傳播；
第3課：PyTorch編程：編碼會話；
第4課：設計模型以進行概括；
第5課：生成模型；

第6～10課則以應用為主，包括：

第6課：對抗模型；
第7課：基于能量的模型；
第8課：順序模型；
第9課：Flow模型和隱式網絡；
第10課：元學習和流形學習。

強化學習的課程，來自對David Silver課程的改編。

為了更易于學習，每個視頻縮短到50分鐘左右，略去了高級推導部分，但是增加了更多的示例和代碼。

課程設置是這樣的：

第1課：基礎；
第2課：馬爾可夫決策過程；
第3課：OpenAI gym工具包；
第4課：動態編程；
第5課：蒙特卡洛方法；
第6課：時序差分方法；
第7課：函數逼近；
第8課：策略梯度法；
第9課：基于模型的方法；
第10課：擴展方法。

具體來看一下學習過程是怎樣的

以深度學習課程中的「第5課：生成模型」PPT為例：

在一開始列出了章節目錄：課程劃分為定義、密度估算、散度測度、生成式網絡四個部分，每一部分又劃分成不同小節。

以散度測試中的K-L散度（相對熵）一節為例：首先說明了用相對熵來測量兩種分布的差異，接著給出了相應的計算公式，并且還能一鍵直達圖形計算器。

PPT圖文并茂而又不失簡潔，每一小節基本只占1～2頁的篇幅。

類似地，在深度學習編碼器一節中，也可以一鍵查看Colab的代碼示例：

內容清晰明了，操作簡單方便，對初學者十分友好了～

網友關注

這份課程獲得了許多網友的肯定， 甚至有人直呼作者是“身披斗篷的英雄”。

一位從PyTorch“逃離”到Keras的網友表示，作者讓他重新撿起了PyTorch！

針對網友普遍關注的問題：

“這些課程主要關注代碼還是理論？”

“學習課程對于數學背景的要求是怎樣的？”

“對強化學習進行學習，是否要精通機器學習架構？”

……

作者在回復中一一作出了說明：

課程對于代碼和理論都有涉及，課程前半部分偏向理論，后半部分側重于最新技術，兩套課程都是如此。

過程中提供了許多Colab代碼示例、方程式和算法，并且在第二課中對數學符號進行了介紹。

不需要很強的數學背景，并且所需的數學知識，在第二課中進行了介紹。

如果第二課實在太難，推薦用《機器學習數學基礎（Mathematics for Machine Learning）》這本書進行學習。

學習這份課程并沒有十分必要的先決條件，但是可能有必要看一下「深度學習」的第二課，以及《機器學習數學基礎》的第二章和第六章。

雖然不是針對強化學習基本算法的主要理論，不過在使用函數逼近器來擴展方法時，構建深度學習模型（特別是卷積神經網絡、循環神經網絡）上的一些實踐會很有用。

是不是也解答了你心中的疑問呢？

那么，戳下方鏈接開始學習吧～

課程列表：
https://www.reddit.com/r/MachineLearning/comments/lqrek7/n_20_hours_of_new_lectures_on_deep_learning_and/