人工智能教學網(wǎng)站fast.ai最近更新了新版本的針對開發(fā)者的深度學習實踐課程，將原來的14課時縮短到7課時，比較適合經(jīng)常加班做開發(fā)的程序員。本文給大家梳理了一下課程概覽。

fast.ai最近剛剛發(fā)布了《Practical Deep Learning for Coders》第三次迭代版本。

新智元編輯看過以后，覺得有必要向還在苦惱如何入手機器學習的同學們，推薦一下這個新課程。

推薦理由

你從未體驗過的船新版本：本版本號稱是全新教材，全新實戰(zhàn)案例。

共有7個課時，區(qū)別于之前的14課時，但內容質量并沒有降低。每節(jié)課2個小時，加上課后復習的時間，基本上一節(jié)課能夠讓你飽飽滿滿充充實實的學夠10個小時。

整合云平臺：貼心的提供了Google Cloud和Microsoft Azune的云GPU平臺，以及Crestle和Gradient等平臺的整合方案，方便大家進行練習。

預備基礎：學習只需要有至少一年的codign經(jīng)驗，最好是Python。有

高中數(shù)學基礎就行，有些課程可能好需要用到高等數(shù)學。

唯一需要做的是提前對Jupyter Notebook環(huán)境有一定了解。

學習曲線：自上而下的教學理念，通過實際問題入手，然后逐步深入理念。符合程序員的學習路徑。

框架：fast.ai使用Pytorch作用教學工具。但是這種東西屬于一通百通，基本上你一旦掌握了套路，接下來用TensorFlow/Keras、CNTX、MXNet或者其他深度學習庫都不成大問題。

課程內容

第一課主題是圖片分類。從訓練一個寵物種類圖片識別分類器，使之達到SOTA精度級別。

遷移學習是本課程的關鍵，同時可以了解如何分析模型，以及它的失敗模式。

需要注意的是，課程練習需要用到FastAI庫，最好找已安裝了的云GPU供應商。

fast.ai推薦使用PaperSpace，GPU租用價格大概是1小時3元，注冊流程非常簡單，支付方式使用信用卡即可。

當然如果你愿意折騰，并且手里有一點先前，也可以自己搭建一臺計算機，反正1G顯存的GTX 650是跑不起來代碼的。

第二課主題是數(shù)據(jù)清洗和生產。主要是教大家用自己的數(shù)據(jù)，創(chuàng)建一個“從灰熊中找出泰迪熊”的分類模型，學會如何生成teddy-finder，然后可以在線上訪問。

課程后半部分，會教大家如何從零開始訓練一個簡單的模型，生成我們自己的梯度消失循環(huán)。

第三課主要講到數(shù)據(jù)塊、多標簽分類和圖像分割。會用到2個數(shù)據(jù)集：Planet數(shù)據(jù)集和CamVid數(shù)據(jù)集。

Planet數(shù)據(jù)集是一個多標簽數(shù)據(jù)集，可以讓大家同時學習多標簽數(shù)據(jù)集。

fast.ai聲稱他們的終極CamVid模型比市面上所有教學用的模型，更靠譜。

第四課講表格數(shù)據(jù)；協(xié)同過濾；嵌入。本節(jié)課主要是NLP相關，使用電影評分網(wǎng)站IMDB提供的影評數(shù)據(jù)集。

本節(jié)課的內容是預測一個影評是正面還是負面。我們知道，有時候評價里的用詞，可能和原意相反。比如使用證明詞語，表達的卻是負面意思。

學習路徑無非就是先要么創(chuàng)建一個語言模型自行訓練，或者下載一個已經(jīng)訓練好的模型，然后調參，然后移除encoder。

本節(jié)課前半部分內容涉及CV、NLP、表格、協(xié)同過濾，后半部分還會涉及到激活函數(shù)、指針、層以及損失函數(shù)。

第五課會講到反向傳播；加速隨機梯度下降；從零搭建神經(jīng)網(wǎng)絡。

第六課講正則化;卷積; 數(shù)據(jù)倫理。包括Dropout、Data augmentation、批量標準化。

第七課講從零開始構建Resnets；U-net；生成網(wǎng)絡以及GAN。

好了，介紹就到此為止了。如果你發(fā)現(xiàn)有更好的課程，請留言告知。關于PaperSpace我先更多說兩句。

如果你發(fā)現(xiàn)國內有更好的替代方案，歡迎告知我們。因為畢竟國外的產品，在訪問速度和穩(wěn)定性上還是不好保證。而且沒有中文的使用教程，不是很方便。