在我想要学AI的时候，并没有AIA这个选项。我想跟大家分享的是去年自学的经验。 我上的第一门课是 Udactiy 的 Intro to Machine Learning https://www.udacity.com/course/intro-to-machine-learning--ud120 跟吴恩达在 Coursera上面的Machine Learning的课比起来，Udacity更平易近人些， 教材的制作也比较用心。另一方面，这个课程里面程式练习是用MATLAB/Octave，我觉得 日後不实用，所以这课程我听了一两堂就没继续了。 Udacity的课让我惊为天人，因为实在安排得太好，我常常是影片看得欲罢不能。最後两周 就把这个课程上完了。 後来对於深度学习实在是很感兴趣，於是付费上了Udacity的深度学习课程 https://www.udacity.com/course/deep-learning-nanodegree--nd101 这个是很紮实的课，有讲理论，给方程式，也要求实作。第一个专题是用numpy做一个 multi-layer perceptron。里面的activation function还有back propagation都必须要 自己。这对於理解神经网路是个非常好的练习。後面的专题还有CNN, RNN等。这个课 让我对於深度学习有了很紮实的基础的理解。 接下来我上了Coursera上面 deeplearning.ai的前四个课程。 https://www.coursera.org/specializations/deep-learning 吴恩达对於理论的讲解比较深入，也讲了不少在做深度学习专案的时候一些实际的技巧。 我觉得在上了Udacity的课，会实作之後，再上吴恩达的课比较好。因为要先会做了，才有 办法透过对理论的更进一步了解来让自己的技术精进。 後来因为我想要对於电脑视觉的部分继续加强，所以上了Udacity的自驾车课程 https://www.udacity.com/course/self-driving-car-engineer-nanodegree--nd013 这个课程里面讲传统影像处理的技巧，也讲深度学习。专案是在处理他们取的实际的道路 影像。有用到传统影像处理加上机器学习的方法，也有用深度学习的方法。我觉得是非常 好的应用的练习。我只完成了第一部分的课程，因为第二部分要开始用C++，这对我来说 实在太难，而且我也没有打算要成为一位自驾车工程师。 後来因为自己开始做了一些医疗影像的AI，还想要再继续精进技术，我再上了Udacity上 电脑视觉的课程 https://www.udacity.com/course/computer-vision-nanodegree--nd891 里面的project比较不一样，有keypoint localization, image captioning, SLAM等这种 比较不常见的课程，我觉得对於充实技能还算是满有帮助的。也因此学了PyTorch 我实在是太爱 Udacity了，最近正在上的课是 Reinforcement Learning https://www.udacity.com/course/deep-reinforcement-learning-nanodegree--nd893 这个就难了许多，现在正在挣扎中。不过我觉得课程安排得真的是很不错。 後来我自己把这些自学的经验整理成了教材放在这边: https://github.com/joe-of-all-trades/deep-learning-cv 整理教材的过程当中又进步了不少，因为必须要把这些观念不断地咀嚼。 有一个我没有完成的课程，因为实在是相当困难。我认为对AI的研究有兴趣的人应该要 完成的课程。这是由Geoffrey Hintony在Coursera上面开的课: https://www.coursera.org/learn/neural-networks 以上。分享我自学的过程。我觉得就算不参加学校，还是有机会可以学到一些AI技巧的。 我很喜欢自学，也很乐意让自学有成的人到我们公司来试试。 祝大家AI学习顺利。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 1.162.47.226 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1542726597.A.77D.html 我很希望能找到深度学习实战经验丰富的人。但这样的人才真的是大家都在抢啊... 不求对於理论有深刻的理解，但希望是有很多实务经验的人。 我觉得这是教育课程非常重要的一环，必须要有大量的业界的资料可以让学员练习。 Nanodegree program的好处是 1)因为有付费所以自己会有进度压力 2)课程穿插了小练习 ，有sample code，而且sample code里面就实现了课程里面讲的数学概念。这对我来说是 价值最高的，因为看到数学概念在程式上面的实践对理解原理来说很重要。 DRLND到目前为止我觉得还可以，讲到的一些概念都可以看到在程式码上的实践。之前我有 在看 UC Berkeley 的CS294。CS294讲得很好，但是我觉得在作业的方面会因为没有办法 跟助教互动，如果遇到问题比较难解决。Udacity的课其实都先提供了很多sample code在 提示你了，会轻松一些。对我来说，因为没有很多时间完全从头学，这是研究生才有办法 这样做。先给我一些程式码提示一下帮助学习，我觉得对我来说让学习的速度快了很多。 如果很有时间的话，我其实会推荐先看CS294,他其实也有作业放在网路上，也有学生把 他们自己的答案放上去。 Udacity课程另一个好的地方是，他做了 Unity Simulator，让你作业的时候觉得很有趣。 这个是在自驾车第一学期的课程感受到的。我可以自己用这个模拟器开车，然後教CNN开， 我一边自己在学，一边在教深度神经网路，这对我来说是个很新鲜有趣的学习经验，也让 我非常有动力。我想Udacity在做线上补习班这件事情是做得满不错的。至少我没有看到 做得比他更好的。 Udacity的mentor制度就不是那麽好了，我遇到的几个其实都不太能解决我遇到的问题。 我想这还是回到基本的问题吧，AI的人才很缺，真有能力解决问题的人应该不太可能会 担任助教。这还是要在大学系统里面会做得比较好。 我认为Udacity课程的出发点就是要教你在业界工作时会用到的东西，数学只要有基础就好 我觉得这样的分量刚好让你开始可以有些了解，可以对於模型稍做修改，又不会多到觉得 受不了。至少对我这样并不是受正统训练的人来说，学习不会有太大的障碍。 想要多知道一点数学，网路上有很多资料。我也买了 Learning from Data 这本书来参考 https://work.caltech.edu/telecourse 一个课程是六百或八百美金，我目前上的所有课程大概花了我将近三千美金。 我觉得我收获的，是我投入的几十倍。我的想法很简单，我想要学AI，就我目前写程式 的能力，以及我所能投入的时间跟金钱的成本，我是不是有更好的选择? 这样一想，我就毫不犹豫地选择我上过的这些课程了。如果我有时间，我会一个一个的上 ，上到没有课可以上为止。 因为上了这些课，我们公司才有机会变成今天这样子。我认为非常值得。 ※ 编辑: Voldemort (1.162.47.226), 11/22/2018 00:57:19 我念了一些论文，也看了很多免费教材。我觉得学习最有效率的还是在Udacity上面。 Udacity的课程的好处之一是他把方程式整理过了，而且大又清楚的字体在影片里面呈现， 同时会有另外写的文字说明。 Udacity有设立Slack讨论群，课程助教会固定时间在上面回答问题，同学也可以互相讨论 还有另外类似Stackoverflow的课程问题网站。这些讨论群组我认为价值也很大。有时候 写作业遇到的问题在这边讨论比较快可以得到解答。 每一个学生还会被分配一个个人的Mentor,不过我个人的经验是mentor不太能解答问题， 不如讨论群组。 我是在Udacity一推出这些课程的时候就上了，那时比较便宜。600镁一个课程。 Black Friday的确是有限时15% off的优惠。 讲直接一点，Udacity就是个补习班。他把课程教材整理得很好，让你可以学得快一些。 他的缺点也就是补习班的缺点，有些理论的地方教得不够深。上完Udacity的课应该没有 办法做学术研究。 ※ 编辑: Voldemort (1.162.53.136), 11/25/2018 11:58:37