我仍然不完全了解它是如何发生的，但是去年我报名参加了“深度学习”课程的逐字逐句，令人惊讶的是，我读了它。 他保证-我传播了！

该课程并非假装是完整的，而是一种在主要学习领域动手实践的方式，在这些主要领域中，深度学习已成为实用工具，并有足够的基础自由阅读和理解现代文章。

该课程材料已在新西伯利亚州立大学 AIPT系的学生中进行了测试，因此您有机会从他们那里真正学到一些东西。



该课程要求：

-大学一年级或二年级的数学知识：您需要了解一些概率论，线性代数，矩阵分析的基础知识以及许多变量的功能分析。 如果所有这些都过去了，那么这里是您从麻省理工学院和哈佛大学获得的所有 课程 。 在它们中，通常足以通过前两个部分。
-能够在python中编程。

在一门好的课程中，应该有讲座，练习和可以提出问题并进行讨论的地方。 在这里，它们是通过线程从世界上收集的：

-讲座作为Youtube上的录音存在。
-作为练习，您可以使用宏伟的Stanford DeepLearning课程（ CS231n和CS224n ）的任务，我将在下面具体说明。
-您可以在ClosedCircles和ODS.ai上进行讨论和询问。

讲座和练习

讲座1：简介
第2课：线性分类器
讲座2.1：Softmax

练习： 此处的 k最近邻和Softmax分类器部分
根据作业的具体情况，这些讲义会有所帮助。

第3课：神经网络。 反向传播
讲座4：详细的神经网络

练习： 此处为两层神经网络部分，此处为全连接神经网络部分

讲座5：卷积神经网络（CNN）
讲座6：深度学习图书馆

练习：CIFAR-10部分上的卷积网络和PyTorch 从此处开始

讲座7：其他计算机视觉任务
第8课：NLP简介。 word2vec

练习： 此处的word2vec部分

第9课：递归神经网络（RNN）
第10课：机器翻译，Seq2Seq，注意

我在这里找不到现成的好任务，但是您可以在著名的安德烈·卡帕蒂（Andrej Karpathy）的 PyTorch Char-RNN上实施该任务，并与莎士比亚抗衡。

第11课：强化学习（RL）简介，基本算法
第12课：使用RL的示例。 Alpha（执行）零。
讲座13：2018年的神经网络

在哪里讨论和提出问题

课程中的所有问题都可以亲自问我，也可以在ClosedCircles.com的#data圈子中进行讨论 （ 这是邀请 ）。
此外，可以在ODS.ai的频道＃class_cs231n中讨论任务，这些任务将为您提供帮助。 为此，您必须亲自获得邀请，发送申请。

好吧，总的来说，电话写总是很高兴。

最愉快的部分是谢谢！

首先，非常感谢buriy ，我们与他一起准备了该课程。 多亏了本机部门 ，该部门总体上给了这样的机会。

在ODS.ai和ClosedCircles上的视频群聊中，协助准备工作的每个人都回答了问题，发送了反馈，提醒必须进行所有布置，等等。

最后，每个在频道上观看直播的人都会实时提问，并且总的感觉是我没有和墙说话。

发自内心