告别“拼图式”学习!
最近,一套深度学习和强化学习的免费课程在reddit上引起网友关注,获赞690+。
只因其不仅形式丰富,还综合了基础理论和具体应用,帮你将几何学、统计学等相关理论串联起来,解决复杂的问题。
对于初学者来说,称得上是个学习大礼包了。

课程来自杜伦大学计算机系助理教授Chris Willcocks,他表示:
相比于其他课程,我想这一套课程涉猎广泛,并且足够紧凑。
不妨一起来了解一下吧~
课程设置
课程分为深度学习和强化学习两个板块,各有10节课,总时长约为20小时。

除了视频之外,还提供了PPT、Colab代码示例以及一些相关论文。

其中深度学习课程的第1~5课,侧重于理论,包括:
第1课:简介;
第2课:数学原理和反向传播;
第3课:PyTorch编程:编码会话;
第4课:设计模型以进行概括;
第5课:生成模型;
第6~10课则以应用为主,包括:
第6课:对抗模型;
第7课:基于能量的模型;
第8课:顺序模型;
第9课:Flow模型和隐式网络;
第10课:元学习和流形学习。
强化学习的课程,来自对David Silver课程的改编。

为了更易于学习,每个视频缩短到50分钟左右,略去了高级推导部分,但是增加了更多的示例和代码。
课程设置是这样的:
第1课:基础;
第2课:马尔可夫决策过程;
第3课:OpenAI gym工具包;
第4课:动态编程;
第5课:蒙特卡洛方法;
第6课:时序差分方法;
第7课:函数逼近;
第8课:策略梯度法;
第9课:基于模型的方法;
第10课:扩展方法。
具体来看一下学习过程是怎样的
以深度学习课程中的「第5课:生成模型」PPT为例:

在一开始列出了章节目录:课程划分为定义、密度估算、散度测度、生成式网络四个部分,每一部分又划分成不同小节。
以散度测试中的K-L散度(相对熵)一节为例:首先说明了用相对熵来测量两种分布的差异,接着给出了相应的计算公式,并且还能一键直达图形计算器。

PPT图文并茂而又不失简洁,每一小节基本只占1~2页的篇幅。

类似地,在深度学习编码器一节中,也可以一键查看Colab的代码示例:

内容清晰明了,操作简单方便,对初学者十分友好了~
网友关注
这份课程获得了许多网友的肯定, 甚至有人直呼作者是“身披斗篷的英雄”。
一位从PyTorch“逃离”到Keras的网友表示,作者让他重新捡起了PyTorch!

针对网友普遍关注的问题:
“这些课程主要关注代码还是理论?”
“学习课程对于数学背景的要求是怎样的?”
“对强化学习进行学习,是否要精通机器学习架构?”
……
作者在回复中一一作出了说明:
课程对于代码和理论都有涉及,课程前半部分偏向理论,后半部分侧重于最新技术,两套课程都是如此。
过程中提供了许多Colab代码示例、方程式和算法,并且在第二课中对数学符号进行了介绍。

不需要很强的数学背景,并且所需的数学知识,在第二课中进行了介绍。
如果第二课实在太难,推荐用《机器学习数学基础(Mathematics for Machine Learning)》这本书进行学习。

学习这份课程并没有十分必要的先决条件,但是可能有必要看一下「深度学习」的第二课,以及《机器学习数学基础》的第二章和第六章。
虽然不是针对强化学习基本算法的主要理论,不过在使用函数逼近器来扩展方法时,构建深度学习模型(特别是卷积神经网络、循环神经网络)上的一些实践会很有用。

是不是也解答了你心中的疑问呢?
那么,戳下方链接开始学习吧~
—完—
@量子位 · 追踪AI技术和产品新动态
深有感触的朋友,欢迎赞同、关注、分享三连վ'ᴗ' ի ❤