「完全指南」6个月，每周10-20小时，零基础掌握深度学习

新智元编译

来源：towardsdatascience.com

编译：马文

【新智元导读】在大约6个月的时间里，学习、跟踪和参与到深度学习state-of-the-art的工作中是完全可能的。实现这一目标只需5个步骤，本文带来详细介绍。

必备条件

• 你愿意在接下来的6个月每周花费10-20小时

• 你已经有一些编程技能。在学习过程中，你应该能够轻松学会Python，以及云的知识（假设没有Python和云的背景）。

• 已经接受过一些数学教育（代数、几何等）。

• 能够访问互联网和使用计算机。

6个月，循序渐进5个步骤掌握深度学习

第1步

我们通过开车来学习驾驶，而不是通过学习离合器和内燃机的工作原理。至少最开始不是这样。学习深度学习时，我们将遵循同样的自上而下的方法。

作为入门，学习fast.ai的“给程序员的深度学习课程-Part 1”[1]。这需要花费4-6周的时间。这个课程有一个在云上运行代码的实践。Google Colaboratory[2]提供免费的GPU接入，其他的选项还有Paperspace, AWS, GCP, Crestle 和 Floydhub。所有这些都很好用。你不用开始配置自己的机器，至少这个阶段还不用。

第2步

学完第一步的入门课程，现在应该学一些基本知识了。学习微积分和线性代数。

对于微积分，MIT的Big Picture of Calculus[3] 这个课程提供了一个很好的概述。

对于线性代数，Gilbert Strang在MIT OpenCourseWare开的《线性代数》课程[4]很棒。

完成上面两个课程后，可以阅读 Matrix Calculus for Deep Learning [5].

第3步

现在是了解深度学习的自下而上的方法的时候了。在Coursera学习吴恩达的Deep Learning Specialization的全部5门课[6]。理想情况下，考虑到你目前已经得到的背景知识，你应该能够每周完成一门课程。

第4步

“只用功不玩耍，聪明的孩子也变傻”

做一个实战项目。你可以深入钻研一个深度学习库（例如，Tensorflow、PyTorch、MXNet），并针对任何你喜欢的问题，从头开始实现一个架构。

前三个步骤是关于如何使用、在哪里使用深度学习，以及打下坚实的基础的过程。这一步就是从零开始实现一个项目，并在使用工具方面打下坚实的基础。

第5步

现在可以开始学习fast.ai第二部分的课程了——给程序员的前沿深度学习课程（Cutting Edge Deep Learning for Coders）[7]。这个课程涉及更高级的主题，你将学习阅读最新的研究论文，并从中得到启发。

以上每个步骤都大约需要4-6周的时间。总共大约26周的时间，如果你遵循上述步骤的过程，你将获得深度学习的坚实基础。

那么再下一步呢？

学习斯坦福的CS231n[8]和CS224d[9]课程。这两个都是非常深度的视觉和NLP领域的很棒的课程。这两个课程覆盖了该领域最先进的研究。同时阅读Ian Goodfellow 、Yoshua Bengio 和Aaron Courville三位大牛合著的Deep Learning这本书[10]，这能够巩固你的理解。

Happy deep learning！

课程和资源链接：

[1]Practical Deep Learning for Coders — Part 1 http://course.fast.ai/

[2]Google Colaboratory https://colab.research.google.com/

[3]Big Picture of Calculus https://ocw.mit.edu/resources/res-18-005-highlights-of-calculus-spring-2010/highlights_of_calculus/big-picture-of-calculus/

[4]Linear Algebra https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

[5]Matrix Calculus for Deep Learning http://parrt.cs.usfca.edu/doc/matrix-calculus/index.html

[6]Deep Learning Specialisation https://www.coursera.org/specializations/deep-learning

[7]Cutting Edge Deep Learning for Coders http://course.fast.ai/part2.html

[8]CS231n http://cs231n.stanford.edu/

[9]CS224d http://cs224d.stanford.edu/

[10]deep learning book http://www.deeplearningbook.org/