人工智能教學網(wǎng)站fast.ai針對開發(fā)者的深度學習實踐課程第三版

人工智能教學網(wǎng)站fast.ai針對開發(fā)者的深度學習實踐課程第三版，不需要大數(shù)據(jù)知識或者高深的數(shù)學理論，甚至都不需要買GPU，只需要一年的編程經(jīng)驗以及對Jupyter Notebook有一定了解。

廣受好評的免費深度學習在線網(wǎng)站Fast.ai為開發(fā)者量身定制的深度學習實踐課程，目前更新到了第三版。新版本將原來的14課時縮短到7課時，采取自上而下的教學理念，通過實際問題入手，然后逐步深入理念。符合程序員的學習路徑。

本課程只要求一年的編程經(jīng)驗，一塊GPU以及一些適當?shù)能浖?。不需要大?shù)據(jù)知識、不需要大學級數(shù)學，也不需要龐大的數(shù)據(jù)中心，但是需要對Jupyter Notebook環(huán)境有一定了解。

雖然課程需要一塊英偉達GPU，但fast.ai并不建議去買一塊，或者自己攢一臺深度學習專用的電腦，與其浪費時間在設(shè)置電腦上，不如直接租。對于時間緊任務(wù)重的開發(fā)者來說，時間成本更寶貴。

目前2019版的第2部分（尖端深度學習）尚不可用，暫時仍然需要使用2018年的課程內(nèi)容。不過好消息是，這個月很快就能上線了。

開始學習之前，你需要了解這些信息

創(chuàng)始人Jeremy Howard稱，本課程旨在為有經(jīng)驗的程序員提供深度學習實踐的教學，例如如何訓練準確的模型; 如何測試和調(diào)試模型; 以及關(guān)鍵的深度學習概念。它涵蓋了視覺，自然語言處理，表格數(shù)據(jù)和推薦系統(tǒng)中的應用。

如果有興趣深入了解幕后的論文以及數(shù)學背景的同學需要注意了，再過2周fast.ai將推出一個全新的“從基礎(chǔ)開始深度學習”課程，最后兩節(jié)課將與Chris Lattner（Swift，LLVM和Clang的創(chuàng)建者）共同教授。

如果你想了解基礎(chǔ)線性代數(shù)的實現(xiàn)細節(jié)，請查看“面向開發(fā)者的計算線性代數(shù)”：

https：//github.com/fastai/numerical-linear-algebra

如果你想了解決策樹、隨機森林、線性回歸、驗證集等，可以“面向開發(fā)者的機器學習簡介”：

https：//course18.fast.ai/ml

有些開發(fā)者比較擔心的是fast.ai的庫會隨著框架的熱度不斷的變動，導致經(jīng)常需要從頭開始又要學習新的框架。確實3年時間里，fast.ai的主題一直在變：

2017年的課程主要關(guān)于Keras/TensorFlow；2018年主要關(guān)于PyTorch；2019年課程（第2部分）是python，最后幾個類使用Swift重新構(gòu)建所有內(nèi)容。

對此Jeremy表示大可放心，v1不會有大的變動，未來只是一些bug fix。

fast.ai使用Pytorch作用教學工具。但是這種東西屬于一通百通，基本上你一旦掌握了套路，接下來用TensorFlow/Keras、CNTX、MXNet或者其他深度學習庫都不成大問題。

在平臺的選擇上，Jeremy建議是：

如果使用過命令行，選擇Google Compute Platform。因為它們提供300美元的無條件信用，并已經(jīng)配置好開發(fā)環(huán)境

如果不想用命令行試試Salamander，它工作得很好而且費用不高

如果你沒有信用卡，請使用Colab，它是免費的，但兼容性會有點問題

創(chuàng)始人給大家的建議

在fast.ai的論壇上，有人整理了Jeremy在給同學們的一些建議，這些建議被往屆很多學生認為是金玉良言。

不要嘗試停下來理解所有的知識點

不要浪費時間：請學習JN的快捷鍵，一天學4-5個

請跑代碼，“真的”去跑代碼。不要去深入學習理論。去玩轉(zhuǎn)代碼，看看它們“吃進什么吐出什么”

選擇一個項目，認真做好，做到超棒！

跑這個Nb(lesson1-pets.ipynb)，然后用你自己的數(shù)據(jù)集跑跑，一定要做！

如果感覺fast.ai里都是高手，要學的新東西太多，而且感覺很難，沒關(guān)系！選擇一個點下手，比如跑幾行代碼，學一個概念如regular expression, 或者創(chuàng)建一個分類器，什么都行，關(guān)鍵是忘記煩惱，行動起來。

如果卡殼了，不要停下來，深挖、繼續(xù)前行！

如果你不確定的哪個學習率更好，每個都試試看。

多數(shù)公司浪費大量時間在收集更多數(shù)據(jù)上。正確做法是，用一小撮數(shù)據(jù)跑跑看，然后在看問題是否是數(shù)據(jù)不夠。

如果你認為自己“天生不擅長數(shù)學”， 請看看Rachel的TED演講: There’s no such thing as “not a math person”

在你使用數(shù)據(jù)集時，請務(wù)必給予數(shù)據(jù)創(chuàng)建者榮譽和感謝

如果你心里有疑問：“我是否應該試試？”， 回答是：試試看吧，這是你成為優(yōu)秀實踐者的必修課！