8 月 8 日，吴恩达发布了自己的深度学习在线课程，来自全球的 AI 爱好者再次围在这位人工智能专家身边，希望能从这门课里学到更多知识，正在看这篇文章的你或许也想报名参加，先别忙，有位大神花了四个晚上刷完了这套课并拿到了证书，先听听他怎么说。

2017 年 6 月的时候，吴恩达在离职百度之后，宣布自己将成立一家创业公司：Deeplearning.ai，并透露将于今年 8 月份公布更多的公司信息。

当消息发布之后，就有业内人士预测，这家公司未来的方向似乎是要普及 AI 基础设施：对研究人员来说，好的 AI 基础设施可以大大提高其科研效率，对用户来说，则可以极大降低使用 AI 技术的门槛。

8 月 8 日，吴恩达的新项目正式上线，他也在博客中发布了一封公开信。

吴恩达与 Deeplearning.ai 的两位 TA：Kian Katanforoosh 与 Younes Mourri

总结下来，吴恩达这篇公开信的主要内容如下：

Deeplearning.ai 是基于 Coursera 的系列深度学习课程，是吴恩达未来三个 AI 项目之一，他希望通过这个项目在未来达到三个目的：

1. 学习者将通过这门在线课掌握深度学习技能并获得证书

2. 满足一些想利用 AI 转型业务的大型非技术公司对 AI 人才的需求

3. 希望可以建设一个 AI 驱动的社会

吴恩达在博客中表示，2011 年在 Coursera 上推出了他与另外四名斯坦福大学学生制作的机器学习在线课，迄今为止，共有 180 万人通过 Coursera 学习了该课程。他发现有这么多人在努力地理解机器学习，开发优秀的 AI 系统，并开启令人惊艳的事业。吴恩达由此开始准备了新的深度学习课程，准备期间还走访了 Geoffrey Hinton、Yoshua Bengio、Ian Goodfellow 等深度学习的大牛学者，咨询了他们对初学者入门的建议。

这套在线课上线已经 6 天了，网上不乏一些高手已经刷完了这套课，那么这门课到底怎么样？值不值得花大把的时间和精力来学习？现在我们就来听听看其中一位学习者的感想：

以下内容整理自 Arvind N 的博客

在全职工作与照顾家人之余，我把自己的空闲时间投入到学习认知科学与 AI 当中。在此期间，每每发现出色的论文、视频或课程，都令我激动万分。

吴恩达全新的 deeplearning.ai 课程正是其中的代表，我对它的期待正如大家期待自己喜爱的影星新片上映一样。

正因为如此，当该课程正式上线之后，我马上就完成了注册，接下来的四个晚上我每晚都在看讲座、做测验和写代码中度过。

图为 deeplearning.ai 课程证书

深度学习从业者以及机器学习工程师通常需要将大部分时间花在抽象的 Keras 或者 TensorFlow 级别的工作当中。但实际上，我们只需要拿出一点休息时间就足以了解更多算法知识，并亲自上手体验反向传播。这不仅充满乐趣，同时也极具实际意义！

关于课程内容:

吴恩达带来的这段新旅程希望采取自下而上的方式传授神经网络知识（强大而非线性的学习算法），且主要面向初中级水平受众。

正如经典的 Ng 风格一样，该课程精心挑选课程内容，提供精确的视频时长以及准确的信息块定位。吴恩达基于其经典的机器学习课程进行了补遗，同时以如何使用单神经元（逻辑回归）神经网络入手，在此基础之上逐步增加复杂性——即添加更多神经元与层级。在为期四周的学业（课程 1）结束后，学生们将顺利掌握构建密集神经网络所需要的全部核心思维，具体包括成本 / 损失函数以及如何利用梯度下降与向量化并行 Python（Numpy）实现迭代学习等。

吴恩达耐心地按照精心规划的顺序与匹配度为学习者提供良好的数学和编码规范，循循善诱地解释其中的各类重要数学与编程概念。课程材料与工具:

视频讲座

讲座以演示幻灯片的方式呈现，而吴恩达则使用数字笔在其中进行标注。这能有效提升听众的关注效果。我一般会以 1.25 倍到 1.5 倍的速度观看视频内容。

每节讲座视频之后都会安排测试，学生们可以通过一系列选择题了解自己的知识掌握情况。只要完整观看了视频内容，问题本身并不算困难。当然，大家也可以多刷几遍题，系统会保留测试中的最高分。

Jupyter 记事本编程作业

编程作业则需要利用 Jupyter 记事本进行——这是一款强大的浏览器应用。

作业内容拥有相当出色的顺序结构，一般只需要在每道题内编写两到三行代码。如果你已经掌握了向量化等概念，甚至能够以一行代码完成大多数编程题！

在作业完成后，点击按钮即可提交自己的代码，系统会自动打分并在几分钟后给出对应分数。一部分作业设有时间限制——例如每 8 个小时只允许进行 3 次尝试。

Jupyter 记事本设计出色且在体验过程中未出现任何问题——精致的构建成果堪称完美，好评！

课程适用人群：

此项课程适用于任何有兴趣了解神经网络及其工作原理、构建方式乃至当前可用工具选项的朋友们。

如果你对自己的数学水平比较担心，这里给大家吃颗定心丸——吴恩达对于一切微积分问题皆作出了必要解释，并立足各种场景解释其中的衍生状况，从而确保大家能够将注意力集中在神经网络构建以及代码实现上。

如果你的编程水平有限，本课程同样提供与 Numpy 使用知识相关的作业。不过我个人建议大家先在 codecademy 当中学习 Python，然后再来挑战本篇课程。本深度学习课程与 Jeremy Howard 的 fast.ai 有何区别：

下面我打算用比喻的方式解释这个问题：假设你正在学习车辆驾驶。

Jeremy 的 fast.ai 课程相当于从驾驶位开始进行学习。他会教大家如何转动方向盘、控制刹车以及油门等等。此后，他会详细解释汽车的工作原理，包括为什么转动方向盘会让车子转向、为什么踩下刹车能够实现减速与停车等。通过对汽车内部工作原理的不断探索，在课程结束之后，你将了解到内燃机引擎工作原理、油箱的设计思路等等。此课程的目标在于教会大家开车，而且如果你觉得无需了解如何制造或者维修车辆，那么可以在初步目标完成后随时停止学习。

吴恩达的深度学习课程同样包含以上内容，但顺序却完全相反。他首先讲解内燃机引擎，而后不断增加抽象层——如此一来，在课程结束之后，你将拥有 F1 赛车手级别的驾驶技术！

总而言之，fast.ai 课程的主要诉求在于传授驾驶技能，而吴恩达的课程则主要讲解车辆背后的工程学原理。

如何学习此课程:

如果大家此前对于机器学习没有任何了解，那么先别急着选择本课程。这里建议各位首先学习并通过吴恩达此前在 Coursera 上发布的机器学习课程。

课程地址：https://www.coursera.org/learn/machine-learning

完成之后，大家不妨选择 Jeremy Howard 深度学习课程的第一部分。Jeremy 自上而下的深度学习讲解思路非常适合初学者的实际情况。

课程地址：http://course.fast.ai/

在有能力顺利构建深度神经网络之后，大家就可以学习本文中提到的 deeplearning.ai 课程了。如果你对于相关知识的底层细节与概念仍有不能理解的地方，那么这项课程将很好地作出解答。

Deeplearing.ai：https://www.deeplearning.ai/

我个人最推崇的亮点:

1. 明确给出事实——反复强调一切不确定性与歧义性表述。

2. 吴恩达始终着眼于深度学习中的工程技术层面，同时提供了大量能够节约时间及资金投入的技巧。作为工程团队中的负责工程师，这确实令我受益匪浅。

3. 很好地处理了专业术语这一传统难题。吴恩达认为经验积累的过程也就是试错的过程。他非常平实地阐述了深度网络设计与训练的现实情况，有些时候我甚至觉得他似乎是将深度学习视为一种经过修饰的曲线拟合。

4. 摒弃一切与深度学习及人工智能相关的炒作。吴恩达面对主流媒体发布的大量 AI 炒作信息作出了理智而认真的评论。在课程结束时，你将能够明确一点：深度学习绝对不是“终结者”那种可怕的产物。

5. 良好的样板代码应该能够实现开箱即用！

6. 拥有理想的课程结构。

7. 良好、一致且极具实用性的符号。吴恩达尝试建立一套新的神经网络命名方法，我认为他给出的方案相当值得肯定。

8. 与之前的机器学习课程风格一样，吴恩达继续延续其独有的授课风格。在进行此次学习时，我兴奋的心情与 2013 年首次接触其机器学习课程时如出一辙。

9. 深度学习技术大牛访谈部分令人耳目一新——听取这些前辈的个人经历不仅鼓舞人心，也极具趣味性。

我个人认为的欠缺之处:

我希望吴恩达在解答问题时能够更多地从具体的角度作出阐述。

从此项课程中获得的其它收益:

1.深度学习并不简单。你需要耗费大量时间并投入可观的精力才能勉强“触及”其概念，并让自己的模型正常运转。吴恩达不久前曾经发布过一条 quora 回答，并使我产生了强烈的共鸣。

2.良好的工具非常重要，这将切实帮助大家提升学习速度。吴恩达在授课时会使用一根数位笔——这“诱使”我也买了一根，并发现它确实能够提高工作效率。

其中黑色部分为吴恩达的课件，其它颜色则是我的笔记。

3.事实上，我之所以推荐大家在学习此课程前先进行 fast.ai 课程，还有另一个心理原因。毕竟只有激起了学习的热情，你才能够真正高效地掌握新知识。

4.每一次得到满分，多巴胺的旺盛分泌都会给我带来前所未有的满足感：

5.不要被深度学习那些专业术语所吓倒（例如 hyperparameters = settings, architecture/topology=style 之类），也千万别因数学符号而止步。只要勇于尝试并认真听课，吴恩达会帮助大家一步步了解这些符号与表达式的丰富意义，并使其很快成为各位的技术利器！

有些符号看似可怕，但只要配合课程视频的引导，你会发现其并不是那么难以理解。

写在最后（选读内容）

1. 每个人都曾经是初学者。在深度学习领域，被专业术语及概念吓到也在情理之中。但请千万不要放弃——只要坚持学习，你很可能被其深深吸引并找到自己的动力。相信自己的直觉并集中精力，你一定能够获得成功！毫无疑问，吴恩达自己也是一步步学习线性代数的，毕竟没人天生就能弄懂这些艰深的知识。

2. 尽管本项课程非常出色，但大家同样有很多其它的深度学习资源可供选择。Salman Khan、Jeremy Howard、Sebastian Thrun 以及 Geoff Hinton 等热心的传授者同样在网上免费分享着他们的知识与见解。也正因为这种知识民主化进程，我们才有机会制定自己的学习计划，并从自己的偶像身上了解各类知识：编程（Gerald Sussman）、线性代数（Gilbert Strang）、人工智能（Marvin Minsky）、哲学（Daniel Dennett）、心理学（Jean Piaget）以及物理学（Hans Bethe）等等。

3. 大部分深度学习应用实践属于严谨的工程技术问题。吴恩达教授在第三项课程中（也是目前我最喜爱的课程）对此作出了极富趣味性的阐述。与解决任何复杂工程问题一样，利用深度学习知识解决问题同样需要正确的思维方式。因此，大家需要参阅几十年前 Claude Shannon 已经明确建立起的理论体系。

理论体系：https://medium.com/the-mission/a-genius-explains-how-to-be-creative-claude-shannons-long-lost-1952-speech-fbbcb2ebe07f

参考文章：https://medium.com/@andrewng/deeplearning-ai-announcing-new-deep-learning-courses-on-coursera-43af0a368116