fast.ai更新了新版本的针对开发者的深度学习实践课程

人工智能教学网站fast.ai最近更新了新版本的针对开发者的深度学习实践课程，将原来的14课时缩短到7课时，比较适合经常加班做开发的程序员。本文给大家梳理了一下课程概览。

fast.ai最近刚刚发布了《Practical Deep Learning for Coders》第三次迭代版本。

新智元编辑看过以后，觉得有必要向还在苦恼如何入手机器学习的同学们，推荐一下这个新课程。

推荐理由

你从未体验过的船新版本：本版本号称是全新教材，全新实战案例。

共有7个课时，区别于之前的14课时，但内容质量并没有降低。每节课2个小时，加上课后复习的时间，基本上一节课能够让你饱饱满满充充实实的学够10个小时。

整合云平台：贴心的提供了Google Cloud和Microsoft Azune的云GPU平台，以及Crestle和Gradient等平台的整合方案，方便大家进行练习。

预备基础：学习只需要有至少一年的codign经验，最好是Python。有

高中数学基础就行，有些课程可能好需要用到高等数学。

唯一需要做的是提前对Jupyter Notebook环境有一定了解。

学习曲线：自上而下的教学理念，通过实际问题入手，然后逐步深入理念。符合程序员的学习路径。

框架：fast.ai使用Pytorch作用教学工具。但是这种东西属于一通百通，基本上你一旦掌握了套路，接下来用TensorFlow/Keras、CNTX、MXNet或者其他深度学习库都不成大问题。

课程内容

第一课主题是图片分类。从训练一个宠物种类图片识别分类器，使之达到SOTA精度级别。

迁移学习是本课程的关键，同时可以了解如何分析模型，以及它的失败模式。

需要注意的是，课程练习需要用到FastAI库，最好找已安装了的云GPU供应商。

fast.ai推荐使用PaperSpace，GPU租用价格大概是1小时3元，注册流程非常简单，支付方式使用信用卡即可。

当然如果你愿意折腾，并且手里有一点先前，也可以自己搭建一台计算机，反正1G显存的GTX 650是跑不起来代码的。

第二课主题是数据清洗和生产。主要是教大家用自己的数据，创建一个“从灰熊中找出泰迪熊”的分类模型，学会如何生成teddy-finder，然后可以在线上访问。

课程后半部分，会教大家如何从零开始训练一个简单的模型，生成我们自己的梯度消失循环。

第三课主要讲到数据块、多标签分类和图像分割。会用到2个数据集：Planet数据集和CamVid数据集。

Planet数据集是一个多标签数据集，可以让大家同时学习多标签数据集。

fast.ai声称他们的终极CamVid模型比市面上所有教学用的模型，更靠谱。

第四课讲表格数据；协同过滤；嵌入。本节课主要是NLP相关，使用电影评分网站IMDB提供的影评数据集。

本节课的内容是预测一个影评是正面还是负面。我们知道，有时候评价里的用词，可能和原意相反。比如使用证明词语，表达的却是负面意思。

学习路径无非就是先要么创建一个语言模型自行训练，或者下载一个已经训练好的模型，然后调参，然后移除encoder。

本节课前半部分内容涉及CV、NLP、表格、协同过滤，后半部分还会涉及到激活函数、指针、层以及损失函数。

第五课会讲到反向传播；加速随机梯度下降；从零搭建神经网络。

第六课讲正则化;卷积; 数据伦理。包括Dropout、Data augmentation、批量标准化。

第七课讲从零开始构建Resnets；U-net；生成网络以及GAN。

好了，介绍就到此为止了。如果你发现有更好的课程，请留言告知。关于PaperSpace我先更多说两句。

如果你发现国内有更好的替代方案，欢迎告知我们。因为毕竟国外的产品，在访问速度和稳定性上还是不好保证。而且没有中文的使用教程，不是很方便。