“連續開設5年，對新手友好、易於上手，參加課程的多數學生來自非電腦科學領域……”
推薦一門AI課程——MIT官方深度學習入門課程6.S191《深度學習導論（2022）》，課程介紹了深度學習技術在計算機視覺、自然語言處理、生物學等領域的應用。通過學習這門課程，學生將掌握深度學習演算法的基本知識，以及用 TensorFlow 搭建神經網路的實操經驗。
雖然門檻相對較低，但還是需要學生掌握線性代數和微積分相關基礎知識（例如：矩陣乘法和導數）。Python 經驗也會有所幫助（但非必備）。該視訊內容已由矩池雲進行翻譯。
課程全套視訊
課程介紹
課程共10個講座視訊，涵蓋了深度學習的基礎知識與多個應用領域：
- 深度學習導論
- 深度序列建模
- 深度計算機視覺
- 深度生成建模
- 深度強化學習
- 侷限性和新領域
- 自動駕駛
- 語音識別
- AI科學
- 深度學習的不確定性
開場“彩蛋”之後，課程展開介紹了深度學習的一些基本概念，比如，神經網路只是相互堆疊的感知機，它們通過反向傳播進行優化。以及學習如何通過向神經網路投喂資料來對它們進行訓練，在訓練過程中應該採取什麼預防措施。
下一個主題是序列建模。從預測移動物體的方向到心跳、全球溫度再到自然語言，序列無處不在。迴圈神經網路適用於處理此類序列建模任務。
半個多世紀來，電腦科學家一直在想辦法讓計算機擁有視覺。在計算機眼中，影像只是0和1的集合。我們要如何幫助計算機找到影像中的複雜特徵？這就需要卷積神經網路，來幫助我們瞭解模型如何學習識別影像中的特徵。
在生成建模這一課，你會了解到課程開場的“彩蛋”是如何做到的。之前的模型對資料會進行標註（比如，你告訴模型這個影像表示的是一隻貓)，但在生成建模中，資料是沒有標籤的，這就是無監督學習。無監督學習的目標是學習資料下的隱藏結構。你會學習到兩種無監督模型：變分自動編碼器（VAE）和生成對抗網路（GANS）。
學習了監督學習和無監督學習，接下來就是強化學習。強化學習就是讓AI學會玩超級瑪麗或者讓機器人學會走路。把一個agent放在一個需要實現你預期目標的環境中，agent會因為完成某些任務獲得獎勵，完成其他任務會受到懲罰。這樣agent就會反覆學習讓獎勵最大化的策略。簡單地講，這就是強化學習的概念。
最後幾節課是由英偉達等知名機構的客座講師授課。講授自動駕駛、語音識別、AI科學演算法等方面內容。
理論知識之外，課程的實踐部分還設計了三個開源、互動的TensorFlow軟體lab，涵蓋了TensorFlow的基礎知識。例如，用於音樂生成的迴圈神經網路模型、消除偏見的面部識別系統和端到端自動駕駛控制。理論結合實踐的課程設定也印證了MIT的校訓“Mens et Manus”（手腦並用，創新世界）。
課程主講
該課程的主要組織者和講師Alexander Amini是麻省理工學院（MIT）的博士生，導師為Daniela Rus教授。Alexander Amini同時還是NSF Fellow，並在MIT完成了電子工程與電腦科學理學學士和理學碩士學位，並輔修數學。
Alexander Amini的主要研究領域包括為自主系統的端到端控制（即感知到驅動）構建機器學習演算法，併為這些演算法制定保障。他還研究過自動駕駛汽車的控制、形式化深度神經網路的置信度、對人類移動性的數學建模，以及構建複雜的慣性優化系統。
另一位主講Ava Soleimany是微軟研究實驗室的高階研究員，在哈佛大學獲得生物物理學博士，博士期間與Sangeeta Bhatia一起在MIT Koch 癌症研究所進行研究，並獲得NSF研究生研究獎學金計劃的支援。此前，Ava Soleimany在MIT完成了電腦科學和分子生物學學士學位。
Ava Soleimany博士階段的研究重點是用於癌症早期檢測的新診斷方法，其研究利用了奈米技術、機器學習和統計學、化學生物學和生物工程的工具來創造新的診斷和治療生物技術。