去年年底，我学完了Udacity的深度学习纳米学位课程（DLND）。
今年2月份，我又上完了吴恩达的深度学习课程。

作为我自己创建的AI硕士学位学习的一部分，我目前已经读完了70%的Udacity的人工智能纳米学位课程（AIND）。

之以是写这篇文章，始于Quora上的一个问题。

由于我在这两门课程，以及DLND课程方面都有学习履历，以是我打算回答一下这个问题。

大略说一下

两边都学！

如果你想提高运用级的技能，那么我强烈推举这两门课程。

去年，我没有编程知识，也从未听说过深度学习这个术语。

感谢这些课程，我现在每周都在建立国际一流水平的深度学习模型。

以下是我学习课程的顺序。

Udacity深度学习纳米学位课程

Udacity人工智能纳米学位课程（倾向传统AI）

吴恩达Coursera的深度学习课程

【当前】Udacity人工智能纳米学位课程（倾向深度学习）

如果给我重来一次的机会，我会选择以下顺序来学习。

吴恩达Coursera的深度学习课程

Udacity深度学习纳米学位课程

Udacity人工智能纳米学位课程（倾向传统AI）

Udacity人工智能纳米学位课程（倾向深度学习）

吴恩达的深度学习课程采纳了深入浅出的传授教化方法。
这是我学习的最好办法。

Udacity的课程质量非常高，但常日会直接进入高等项目。
这是学习的好方法，但是如果你没有根本知识，会非常困难。

如果你已经有了深度学习和机器学习的根本知识，或者已经是一个根本踏实的Python程序员，Udacity的人工智能纳米学位课程可能是你开始的空想场所。

跨界知识。

学完两门课程后，我创造它们彼此互补。

吴恩达的课程薄弱的地方，AIND很强大，反之亦然。

昨天发生了一个真实的例子。
我在AIND NLP capstone项目中碰着了一个问题，是与笔墨嵌入有关的问题。
我在论坛上发帖说我无法理解笔墨嵌入。

感谢Vadim同学的帮助！

在Vadim的建议下，我重新回顾深度学习课程专讲笔墨嵌入的***。
此前，为了找我能理解的内容，我已经在网上苦苦搜了几个小时。

把稳：不要忽略你已经学过的材料！

末了，它们都是很棒的课程。
如果你必须选一个，我建议选深度学习课程。
“安德鲁大法师”的传授教化风格有一些真的直击心灵啊！

对付那些有兴趣深入理解我的学习经历的人，请连续阅读。

我把它分成八类。

1.本钱和韶光：这些课程不是免费或随意马虎的。

2.先决条件：在开始之前你须要什么。

3.获取支持：当你卡住时该怎么做。

4.课程质量：材料有多好？

5.提交项目：你的事情内容发生了什么变革？

6.课程构造：课程如何发挥浸染？

7.未来的选择：学完后能做什么？

8.其他学习资源：还有哪些其他学习资源？

1.本钱和韶光

深度学习课程须要每月64澳元的订购用度（约50美元）才能访问。
每门课程用时大约1个月。
这意味着五个月你要花费大约250美元。

如果你学得很快，可以在1个月内完成。
我的目标是用3个月韶光拿下它，现实是，不到两个月我就学完了。

DLND须要预支750澳元（约合580美元）。
你必须在4个月内完成和DLND干系的所有项目，否则就要续费。

Udacity的人工智能纳米学位课程是三者中学习韶光最长，也是最昂贵的。
它包括两段为期3个月的学习，每段学费1000澳元（约775美元）。

根据我的履历，Udacity的课程每周至少须要15-20小时（有时更多）的学习才能保持正轨。

另一方面，我能够完成深度学习课程，每天学习6-8小时，坚持一周，紧张是由于我很适应吴老师的传授教化方法。

2.先决条件

每门课程都把Python的中级知识作为先决条件。

一些数学知识是必需的，但Python该当是你的重点。

如果你能阅读GitHub上的Python脚本，并理解至少60％的情形，那么你可以很好地适应这些课程。

如果Python是你的薄弱点，那在开始之前，还是勤加练习一下吧。

当我开始学习DLND时，我已经学了三周的Python。
在此之前，我从未进行过编程。

前几个月我还如坠苦海，但随着信心增长，终极定时完成。
当然，我仍旧认为自己是一个Python新手。

至于数学，高中时我对微积分、线性代数和几何的理解足以完成课程。
这是由于大部分数学都是在TensorFlow和Keras库的背后进行的。

高中毕业后，我就没学过一门数学课程。
如果我的数学知识无法理解某个特定的观点，我就去可汗学院学习，提升自己的数学技能。

如果你想学AI或深度学习博士课程，那么必须节制数学技能。

不过，如果要用从这些课程中学到的技能来构建运用级的AI，不须要深入理解背后的数学知识。

如果再给我一次重学的机会，那我不会在开始之前学那么永劫光Python。

3.获取支持

学每门课程时，我碰着了很多障碍。
我创造支持做事很有用。

DLND和AIND有自己的Slack频道和专用论坛。

两个Slack频道内还有其他几个不同主题的频道。

有时候，Slack频道可能会有点吵闹

这两种渠道都有成千上万的人，大多数主题至少有几百个用户。
导师也常常主持“ask me anything sessions”（AMA’s）的活动，并浏览这俩渠道，回答任何问题。

根据我的履历，Slack频道非常吵闹。
除了发布我自己的问题或者探求有同样问题的人，我不会利用它。

论坛则是完备不同的体验。
我很少提问，由于我碰着的很多问题，论坛上已经有人提了。
答案并不总是很清楚，但如果很清楚，就不叫学习了。

如果我被困住了，那我会在闷头办理自己的问题之前，走走论坛，从脑海里先构建一些想法。

深度学习课程的论坛和上述论坛类似。
紧张差异在于用户不能直接从任务中发布代码，但伪代码没问题。
我创造这里的论坛足以办理我的问题。

当你注册AIND后，会被系统分配一位导师。
我的导师名叫Ayushi，她是印度的软件工程师。

导师在必要时会供应一些支持，很多时候，当与Ayushi评论辩论我面临的问题时，问题彷佛已经办理了。

不要疑惑自己的能力，大声谈论你的问题，而且永久不症结怕寻求帮助。

提问时，最好有效地表达出来。
阐明清楚你面临的问题，让其他人更好地帮助你。
这是我正在做的事儿。

4.课程质量

每门课都是天下一流的。
我常常说这些是我学过的最好的课程。

DLND分为六个部分，个中五个部分附有主要项目。

简介。

神经网络：创建你的第一个神经网络。

卷积神经网络：建立一个犬种分类器。

循环神经网络：利用神经网络天生电视剧。

天生对抗网络：建立脸部天生器。

深度强化学习：教四轴翱翔器如何翱翔。
[新]

每个项目都专注于为你供应某种深度学习技巧的实践履历。
如果你以前没有做过太多的Python编程，它们将很难实现，但并非不可能完成。

把稳：第6节是DLND的新增内容，我尚未考试测验。

吴恩达的深度学习课程分为五个部分。

神经网络和深度学习。

改进深度神经网络：超参数调度，正则化和优化。

布局机器学习项目。

卷积神经网络。

序列模型。

我认为第2、3项课程非常棒。
其他课程在构造上与DLND供应的类似。
课程第4、5项让我加深了对DLND内容的节制程度。

AIND课程包括两个部分：第1部分侧重于传统的AI方法，第2部分侧重于深度学习。

在第2部分开始前，对付那些从未打仗过深度学习的人来说，供应了一个桥接课程。
我已经完成了DLND课程，可以跳过这一步。

第1部分

建立一个游戏代理：采取对抗性搜索和启示式评价相结合的方法构建数独求解与隔离游戏代理。

履行方案搜索：利用方案图启示式方法建立航空货运物流系统。

设计手语识别系统：利用隐马尔可夫模型识别手语手势。

如果你没有学过DLND，那AIND的第2部分也会包括以上内容，你可以选择个中一项购买。
我已经完成DLND，以是我可以访问以上三个。

第一部分的内容对我来说很难。
我虽然已经学习了深度学习和其他机器学习技能，但由于缺少编程能力，以是学得很吃力。

把稳：以上内容可能已变动，请务必通过电子邮件向Udacity支持发送解释。

第2部分

打算机视觉凑集:利用深度学习和OpenCV构建面部关键点检测系统。

自然措辞处理凑集:建立机器翻译模型，将英语翻译成法语。
[我目前学到这里]

语音识别系统：建立一个语音检测系统。

在每个凑集内，你都可以参加一系列小型项目和讲座，直到项目完成。

目前，我正在学习第2部分的自然措辞处理凑集的内容。
最近，我一贯在练习履行自然措辞处理流程（文本预处理、特色提取和建模）的步骤。
所有这些都是为机器翻译项目做准备。

5.提交项目

DLND和AIND提交项目非常相似。
通过Udacity教室，你可以利用代码提交项目文件或链接到GitHub。

在24小时内，评论员会回答你。
但是，这不是普通的评论。
评论员常日会在你的代码中留下几条评论，并供应反馈或建议，以帮助你理解更多信息。

我无法对评论员进行足够的评论。
我总是期待听到他们的不雅观点。

对付深度学习课程，所有项目和小测验都会自动标记。
这很节省韶光，由于你可以立即得到结果，但是，你看不到建议，理解不了更多信息，也不知道在哪里进行改进。

6.课程构造

Udacity的课程会将简短的演讲（大部分在2-8分钟之间）与完全的信息图结合起来。
而在线的基于Python的编程测验常日会涉及一个主要的主题。

在完成项目之前，他们还会供应一个预热项目作为实践（并非必选）。

例如，在完成机器翻译项目之前，AIND的NLP凑集课程供应了情绪剖析项目作为练习。

吴恩达的深度学习课程的构造，与他机器学习课程的非常相似。
5分钟以下的***很少见，均匀约为10分钟。
我以1.5倍速率不雅观看了它们。

吴老师利用一系列幻灯片进行传授教化。
在先容一个主题时，他常常在幻灯片上写下例子，并谈论背后的想法。

在每个系列讲座结束时，学生须要完成一个非编程的多选题测验。
测验涵盖了讲座中的理论知识，少数问题须要进行一些数学打算。

通过测验后，你可以利用Jupyter条记完成编程作业。
每个编程任务须要80分或更多才能通过。

如果你碰着关于项目或任何教室材料的问题，论坛便是你的朋友。

7.未来的选择

完成课程后，有时候可能不知道自己下一步要做什么。
至少，这是我的感想熏染。

显而易见，答案是利用你学到的东西。

博客文章

每当你有空的时候，记得写作。
写下你学到的东西，将有助于巩固你的想法。

与他人分享你的作品将有助于他们的学习。

公开你的写作也会让别人评论你的想法，这是另一个宝贵的学习机会。

制作***

大概写作不是你善于的，但你可能有一个相机。
评论辩论你学到的东西跟写作一样好。
***不一定须要最好的质量。

在摄像头前说话有助于培养你的演讲技巧。

在任何情形下向其他人讲述你所知道的情形。

分享你学到的东西。

在HackerRank或Kaggle上练习

HackerRank和Kaggle都供应了大量的资源，帮助你练习学到的技能，并帮助你学习新技能。

Kaggle非常乐意接管数据科学、机器学习和深度学习项目的实践履历。
你乃至可以在上面建立自己Kaggle大师的隽誉。
许多顶尖的Kaggle选手进入数据科学领域后，都不会碰着什么问题。

HackerRank更专注于帮你提高编码技能。
它供应不同的编码寻衅，同时记录你所做的统统，添补你的简历，帮助你向未来店主展示能力。

建立一些东西

你有自己的想法吗？利用你学到的技能来实现它。
将它分享给其他人，他们也可能会创造它的代价。
如果失落败，请与他人分享你从创建过程中学到的东西。
如果成功了，恭喜你！

所有这些都匆匆成了一件事。

当老师。

你花了大量精力学习有代价的东西，并碰着很多障碍。
别人怎么能避免你的缺点？他们如何从中得到履历？

把稳：我仍在做这些事！

8.其他学习资源

AI在线学习空间正在爆炸式增长。
信息太多，我们很难知道要把稳什么。

就我而言，完成AIND后，我关注了fast.ai。

之后，我一贯在关注Coursera的数据构造和算法专业课程，以填补自己编程能力的不敷。

对付学AI的你，我“墙裂”推举以下资源。

Siraj Raval的YouTube***

链接：

https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A

Colah的博客

链接：

http://colah.github.io/

“精通机器学习”博客

链接：

https://machinelearningmastery.com/

由Francois Chollet供应的深度学习与Python

链接：

https://www.manning.com/books/deep-learning-with-python

如果你有更多好资源，热烈欢迎在留言区分享。

总结

如果你追求的是高难度的技能，那么尽可能完成所有的课程，并通过教别人知识或建立一些东西，来实现你学到的内容。

如果你想快速进入人工智能领域，并想理解每个深度学习模型须要什么，以及它的能力，那么从Coursera的深度学习课程开始。

无论你决定要做什么，请记住，学习东西实质上是很难的。

当你以为困难的时候，想一想自己为什么要开始。

更新（2018年3月29日）：写完这篇文章后，Udacity彻底改变了他们的AI课程。
本文许多详细细节（课程价格/材料）可能不完备适用，但学习的事理和下一步做什么仍旧是有用的。

原文链接：

https://hackernoon.com/what-leading-artificial-intelligence-course-should-you-take-and-what-should-you-do-after-261a933bb3da

来源：hackernoon

作者：Daniel Bourke

智能不雅观 编译

—完—

亲爱的朋友：

后台常常有读者留言，咨询该从哪里入手，学习深度学习干系课程。

这篇文章对学习过程先容得详细明了，我们整理出来，分享给你，希望对想学习的你有所帮助。

祝安！

智能不雅观 一米

2018-4-7 于北京中关村落

想知道AI加教诲领域有哪些最新研究成果？

想要AI领域更多的干货？

想理解更多专家的“智能不雅观”？

请在对话界面点击“找找看”，去获取你想要的内容吧。

声明：

编译文章旨在帮助读者理解行业新思想、新不雅观点及新动态，为原作者不雅观点，不代表智能不雅观不雅观点。