坚持了3个月，终于完成了吴恩达《Deep Learning》课程，刷新了自己的认知体系，更加坚信人工智能是一个新的伟大时代的来临，有幸生活在这个年代，经历了互联网和人工智能两次浪潮。
推荐所有想进入人工智能领域的初学者学习吴恩达的课程，不用担心满眼的数学公式，只要依稀记得高中最基础的数学就可以开始学习，吴恩达会在课程中会重新讲解需要用到微积分导数和线性代数的知识。每周只要抽出不到10个小时，每周看完视频并完成课后的编程作业，就可以感受人工智能的乐趣。
《Deep Learning》课程对比前他的《机器学习》课程，《Deep Learning》更加注重实践和工程，学完《机器学习》理解了人工智能的各种概念，而学完《Deep Learning》，就忍不住要开始把算法应用到工作实践中。
《Deep Learning》包括了5门子课程，
- 神经网络和深度学习，除了复习了神经网络的基础知识，最大的收获就是真正理解了如何通过“反向传播”计算导数，也理解了为什么tensorflow里只要给出计算图就可以自动求出导数并开始训练。
- 改善深层神经网络：超参数调试、正则化以及优化，课程介绍了如何解决深度学习的梯度消失和梯度下降。 理解了为什么说机器学习就是调参数，但调参数不是瞎子摸象，是有系统的方法和实践经验。
- 结构化机器学习项目，学习了一些机器学习的策略，知道了迁移学习的概念，可以使用用别人训练的结果来实现自己的机器学习任务，同时介绍了一些tensorflow，后面的课程作业都是使用tensorflow来完成的。
- 卷积神经网络(CNN)，视觉识别是通过这个方法来识别图片里的特征。课程介绍了几个经典的CNN算法，包括经典网络（Classic Netwoks），差残网路（ResNets），谷歌Inception和目标检测(YOLO算法）。 学完后自己利用迁移学习差残网路（ResNets)实践了一下绘本机器人是如何识别绘本，正在设计使用目标检测算法实现手指点读点功能。
- 序列模型（RNN），主要用于自然语言处理(NLP)和语音识别(ASR)算法，最后一道编程题就是实现一个唤醒词的算法，很简单的代码，就可以实现唤醒词，很有成就感。
跟着吴恩达学了整半年的机器学习和神经网络，理解了机器学习和我们传统的编程的差别，传统的编程是我们已知解决现实世界的逻辑，通过代码的控制设计的逻辑来解决问题。机器学习的方法，我们也不知道解决问题的逻辑和流程是什么，于是就假设一个带很多参数公式（假设函数）可以解决这个问题，然后给一大堆标注的训练数据，训练出假设函数参数的过程。这个假设函数可以是简单的逻辑回归，也可以是各种神经网络。训练的过程是通过反向传播求出每个参数的偏导数，使用梯度下降的办法，找到符合训练数据最优的参数。
通过这半年的系统学习，感觉和原来的学习完全不一样，改变了我学习新知识的方法，一直认为我学习新技术的能力非常强大，对于一门新的程序语言和技术，只需要几天就可以入门，一个月就可以写出商用的代码，好像效率非常高，但是遇到深层次的问题就解决不了，这其实是基础不扎实的表现。
这一次系统的学习，我没有马上就开始写商用代码，而是坚持从头到尾把所有知识点都理解透，然后再设计程序，开始就可以获得很好的高度。
如何进行系统学习，有几点体会：
- 跟随一个你认为的大师，当前互联网上有很多慕课的网站
- 循序渐进学习，每一步及时测试，获得反馈
- 及时写分享笔记，把学到的内容通过文字整理分享出来，通过分享让自己对概念理解更深刻。
神经网络
神经网络和深度学习
改善深层神经网络
结构化机器学习项目
卷积神经网络
序列模型（RNN）
网友评论