春节刚过，先来学点简单的。
越是入门的课程，可能越不好讲。
在深度学习领域，我们可以检索到各种各样的入门课程，但真正能让人「入门」的可能没有几个。
在为数不多的「真 · 入门」课程里面，MIT 的《深度学习导论（6.S191）》着实值得一提。最近，这门课程的更新又引起了新一轮的围观，刚放出几天的视频已经有了 7 万多的点击量。
这种强大的号召力离不开该课程在过去几年所积累的口碑。自开课以来，数千名学生、数百万线上学习者已经从中受益。
有人甚至称赞说：「在现有的课程里面，这绝对是最好的深度学习入门课程之一。」
从各方反馈来看，它的「好」主要体现在以下几个方面：
1.门槛不高。部分学生表示，这门课程不需要你有多深厚的基础知识，也不需要精通 Python，很多非计算机科学领域的学生也能受益匪浅。
2. 老师的讲解通俗易懂，而且 PPT 制作非常用心。知乎用户 @石刁柏 Asparagus 表示，「这门课程制作的 PPT 是我见过最简洁、最清晰的。PPT 里把每个公式、步骤写成最完整的展开形式，并配图，而不是甩出一个个初学者很难直接理解的简化缩写公式。」而且，「课程讲解过程中会把公式和 TensorFlow 的具体代码相结合，具体到每一步操作。」
由于课程着实优秀，有学生表示：「两个月前就把小板凳搬好了」。
目前，2021 版的新课已经放出了部分视频和 PPT，大家可以去课程主页获取相应资源。
课程主页：http://introtodeeplearning.com/
这门课讲了啥？适合哪些人？
MIT《深度学习导论》是一门入门课程，介绍了深度学习技术在计算机视觉、自然语言处理、生物学等领域的应用。通过学习这门课程，学生将掌握深度学习算法的基本知识，以及用 TensorFlow 搭建神经网络的实战经验。
这门课程包括 lecture、Software Lab、Paper review、Final Project 等多个环节。
其中 lecture 共有 12 讲，涵盖了深度学习的基础知识与多个应用领域：
- 深度学习导入
- 深度序列建模
- 深度计算机视觉
- 深度生成建模
- 深度强化学习
- 局限性与新领域
- Evidential 深度学习
- 偏见与公平
- 信息提取学习
- 解决数据集偏见
- 3D 内容创建
- AI 医疗
此外，该课程设置了三次 Software lab 项目，即使用 TensorFlow 框架的实践操作练习。学生可以使用 Google Colab 中的 iPython notebook 进行操作，通过实践在 TensorFlow 中实现神经网络。
详情参见 GitHub 地址：https://github.com/aamini/introtodeeplearning
虽然门槛相对较低，但这门课程还是需要学生掌握最基本的线性代数和微积分知识，如矩阵相乘、求导、链式法则的运用等。Python 技能对上课有帮助，但并非必需。总体来看，该课程对新手非常友好，参加该课程的很多学生都来自非计算机科学领域。
除了学生之外，部分老师也会将这门课作为教学辅助材料。为了避免版权纠纷，MIT 给出了明确的引用规定：
主讲人是谁？
Alexander Amini
该课程的主要组织者和讲师 Alexander Amini 是麻省理工学院（MIT）的博士生，导师为 Daniela Rus 教授。Alexander Amini 同时还是 NSF Fellow，并在 MIT 完成了电子工程与计算机科学理学学士和理学硕士学位，并辅修数学。
Alexander Amini 的主要研究领域包括为自主系统的端到端控制（即感知到驱动）构建机器学习算法，并为这些算法制定保障。他还研究过自动驾驶汽车的控制、形式化深度神经网络的置信度、对人类移动性的数学建模，以及构建复杂的惯性优化系统。
个人主页：https://www.mit.edu/~amini/
Ava Soleimany
另一位主讲者 Ava Soleimany 是哈佛生物物理学博士，与 Sangeeta Bhatia 一起在 MIT Koch 癌症研究所进行研究，并获得 NSF 研究生研究奖学金计划的支持。此前，Ava Soleimany 在 MIT 完成了计算机科学和分子生物学学士学位。
Ava Soleimany 博士阶段的研究重点是用于癌症早期检测的新诊断方法，其研究利用了纳米技术、机器学习和统计学、化学生物学和生物工程的工具来创造新的诊断和治疗生物技术。
快抢沙发！
