今天要推薦一門深度學習的好課程，來自Fast.ai的Deep learning course！

Welcome to fast.ai's 7 week course,Practical Deep Learning For Coders, Part 1, taught by Jeremy Howard (Kaggle's#1 competitor 2 years running, and founder ofEnlitic). Learn how to build state of the art models without needing graduate-level math—but also without dumbing anything down. Oh and one other thing... it's totally free!

這是fast.ai官網上的課程介紹，課程由kaggle賽事老司機，連續兩年冠軍Jeremy Howard 和 Rachel Tomas 聯合創辦，旨在讓更多人能接受深度學習的課程，而且是完全免費！真的是業界良心，這兩年深度學習火了起來，國內就馬上有培訓機構推出收費課程了，教學水平參差不齊。而Jeremy和Rachel推出的課程，恰恰提現了他們的教育理念：

Make deep learning uncool ! （讓深度學習變得沒那麼高大上）

下面兩張圖能很好地反應當今業界、社會和門外漢看待深度學習的態度：

很多人誤以為深度學習這個人工智慧範疇的東西，一定很高深很難學，也許要研究生、博士生才能搞得懂，但是，Jeremy和Rachel卻不這麼認為（豪師兄也不那麼認為，所以要證明給大家看），因此他們寫了以下這篇爆款文章：

《Machine learning hasn't been commoditized yet, but that doesn't mean you need a PhD》

中文翻譯：《機器學習依然奇貨可居，但不是隻有博士才能玩得轉》，連結地址：http://geek.ai100.com.cn/2017/03/21/844

文章深入淺出地分析了深度學習並不是什麼遙不可及的東西，一個本科生掌握方法堅持學半年時間就可以入門了。你可能聽過這樣的話，學深度學習很難，需要概率論與數理統計、微積分、線性代數等知識，還要學會Python、C++程式設計，一個非電腦科學專業出身的學生要補很多東西才能入門，balabala.....

誠然，想進入這個行業並非一朝一夕的事情，但也不至於是他們所描述的那樣遠在高高之上，告訴你這些的人多半都是想勸你別學了，來直接買他們的課程或者買他們的服務。Jeremy和Rachel看到了現在社會上這種浮躁的現象，希望能通過他們設計的這系列課程，讓更多人能更容易地入門深度學習，讓深度學習普及開來，成為社會發展的強大動力而不是攔路虎。

例如在第一課，你只需要用這7行的神奇程式碼，就能使用2014年世界影象識別大賽imagenet冠軍模型Vgg16來進行貓狗圖片識別！準確率能達到98%以上。

當時Jeremy使用VGG模型來進行肺癌醫療影象識別，一下子把預測肺癌的成功率提高到百分之八九十，這個準確率足以擊敗人類頂尖的癌症專家醫生團隊，這件事馬上被CNN（美國有線電視新聞網，不是卷積神經網路）全國報道。但在Jeremy看來，他當時就只是簡單地修改了一下模型，跟我們在這節課所學的沒什麼兩樣，所以深度學習也沒我們想象中的那麼難。

這裡直接給出課程的地址，另外，微信公眾號AI100對Fastai的課程視訊進行了全面的中文翻譯，同學們可根據自己的情況選擇：

課程官網：www.fast.ai

課程首頁：course.fast.ai

維基百科：wiki.fast.ai （詳細的課程學習資料）

課程論壇：forums.fast.ai （這裡有全球活躍的學習者在一起討論課程）

中文論壇：geek.ai100.com.cn （全部的中文翻譯視訊及其它漢化公開課程）

學習筆記：geek.ai100.com.cn/category/notes

其中，學習筆記是豪師兄本人在學習Fast.ai課程的時候的全部學習筆記，包括課程簡述、任務流程、概念解釋和關鍵程式碼解釋，裡面基本上涵蓋了課程當中Jeremy講授的概念，而且所有程式碼都是從頭手寫，從頭到尾跑通每一環節，對每個部分程式碼的效果、BUG、模型提升都有詳細的分析，幫助初學者避免走彎路。所有筆記都已經公開發布，未來Part 2的課程正式釋出，如果條件允許，將繼續寫下去。

因為我特別贊同Jeremy的一句話：“最好的學習方法就是把內容給其他人講明白了。”

歡迎關注我的公眾號（搜尋：Aihows）、簡書專欄及medium專欄。

作者：人工智豪
連結：https://www.jianshu.com/p/70785dfe3801
來源：簡書
簡書著作權歸作者所有，任何形式的轉載都請聯絡作者獲得授權並註明出處。