摘要：本文從指導老師、課程概述、課程亮點、課程侷限以及所需費用這五個方面進行了分析比較。
翻譯 | AI科技大本營（rgznai100）
參與 | reason_W
引言
過去2年，我一直積極專注於深度學習領域。我對深度學習的興趣始於2015年初，那個時候Google剛剛開源Tensorflow。我根據Tensorflow的文件快速地嘗試了幾個例程，當時的感覺是深度學習並不簡單。部分原因是因為深度學習的框架很新，也需要更好的硬體支援和耐心來摸索。
時間快進到2017年，我已經在深度學習的專案上花費了幾百個小時。並且由於軟體（易用性，例如Keras，PyTorch）、硬體（對於我這樣在印度工作的人來說，儘管仍然不便宜，但GPU已經發展成了商業產品）、資料可用性、優質書籍以及MOOC的發展，這項技術正在變得越來越觸手可及。
在完成了Fast.ai，deeplearning.ai /Coursera （不完全釋出）和Udacity這三個深度學習領域最受歡迎的MOOC之後，相信寫這樣一篇部落格，告訴你們能期望自己從這3門課程中學到什麼，對以後的深度學習愛好者一定很有用。
Fast.ai：http://www.fast.ai/
deeplearning.ai /Coursera ：https://www.deeplearning.ai/
Udacity：https://in.udacity.com/
在這篇文章中，我將從5個方面介紹每門課程，這將有助於你做出決定。
關於指導老師：每門課程都是由具有不同背景的人教授的。我相信這些經歷對教學風格有很大的影響，所以我們將瞭解一下課程指導老師的背景。
關於課程：課程的高階概述。
亮點：課程中最精彩的部分。
侷限：我對這個詞非常苛刻。因為我知道所有這些課程都為了讓學習內容變得更容易，付出過巨大而真誠的努力。我想把這一部分解釋為，我們在課程中錯過了什麼。某些侷限性可能是因為課程的設計帶來的。
費用：參加課程產生的費用。
Fast.ai
我是在kddnudgets的一篇文章中發現的這門課程。當時是我第一次聽說Jeremy Howard，於是我在維基百科搜尋了他，印象非常深刻。於是我購買了這門由Jeremy和Rachel Thomas教授的MOOC。看完第一堂課，我就被他們的教學風格深深震撼了。
您將在幾個小時內學到如何構建頂尖水準的影象分類器，這甚至連幾美元的價格都不到。
Jeremy Howard：
https://medium.com/@jeremyphoward
https://en.wikipedia.org/wiki/Jeremy_Howard_%28entrepreneur%29
關於指導老師：
Jeremy的背景與通常的教授非常不同，他不是任何頂尖大學的博士生導師，也未曾就職於谷歌，百度，微軟等頂級公司。他自學成才，是kaggle競賽高手，企業家和Fast.ai的CEO，目前唯一的目標就是讓深度學習不再神祕。 他的獨特背景讓這門課程變得與眾不同，因為他教會了不同背景的人如何使用深度學習，而無需大量資料或計算能力。
關於課程：
課程分為2部分，每7周學完一個部分。
課程的第一部分講授如何在計算機視覺和自然語言處理(NLP)領域使用深度學習。
第二部分講授生成網路，GAN，序列模型等前沿研究工作，如何閱讀研究論文，以及如何在深入學習領域保持領先的實用技巧。這些技巧正在以驚人的速度發展。
本課程教學風格獨特。課程作者習慣於這種獨特的方法。
我們不會讓您在先了解有關速度，動量，分析等方面的資訊之後，再去學習打板球（或任何遊戲），最後在18點進場。相反，我們先帶您先去現場，握著球或棒球棒，然後在實戰中學習其他知識。
通過這種獨特的方法，您將首先學習如何在雲上部署工作站，安裝軟體，並使用深度學習快速構建解決方案。每週Jeremy會挑選一個新的問題，然後他教授你如何使用技術來提高模型的效能。他教的東西很實用，比如使用預卷積特徵，偽標記和許多非常有用的技巧。到第一部分結束，您將能夠使用深度學習在您工作的領域構建實用的應用程式。
課程的第二部分介紹了前沿研究，幫助您閱讀，理解和實施生成式模型，影象分割和序列到序列模型的各種研究論文。您將學習構建一些有趣的專案，如風格轉移，低解析度影象到高解析度影象，GAN，影象分割，翻譯以及如何將深度學習應用於結構化資料。第二部分最重要的部分是建立自己的工作站。如果您對深度學習充滿激情，並希望構建各種深度學習應用程式，這將非常有用。
亮點：
構建一流的計算機視覺或NLP系統的能力。
瞭解和使用為深度學習應用程式提供支援的現代主流架構。
當您的資料和計算能力有限時，如何快速應用DL的實用技巧。
一個龐大的社群，支援您在不同階段學習和實施您的解決方案。
輕鬆使用3種流行的DL框架：Keras，TensorFlow，PyTorch。
在課程結束之後，您將不再為閱讀研究論文，構建新專案而頭痛。Fast.ai的部落格以及整個社群都將為您提供支援。
侷限：
由於本課程遵循自上而下的方法，您將非常依賴一個框架來對基礎數學有一定的理解。如果您正在籌備一項工作或計劃在該領域進行更多的研究，那麼提高你理解DL中的數學知識的能力將很有幫助。
有些機構對證照很看重，他們認為這是你完成課程的證明。但我猜Jeremy認為我們都是成熟的孩子，所以沒有提供任何形式的證照。 Jeremy和Rachel鼓勵撰寫部落格，構建專案，在會議中進行討論等活動，以實力來代替傳統證照的證明作用。 我個人認為這是非常有用的。
費用：
MOOC本身沒有相關費用。但是要上手實踐這些專案，您最終需要在AWS上產生支出，或許您會選擇自己配置機器，但這樣做很貴。當然在家裡有一個強大的工作站是非常有幫助的。
Deeplearning.ai
最近， Andrew Ng 在Twitter上釋出了關於這門課程的訊息。 從2014年初開始，我就一直在關注他，我正在參加他在Coursera上的一門課程，學習和機器學習有關的數學知識。 從工程背景出發，他的第一門課程非常有趣，同時也有點難度。2016年底的時候，吳先生從百度離職，不再擔任百度的首席科學家，並於今年8月8日推出了一個新的深度學習專業化的課程。 我在今年晚些時候才想起來，因為我的時間之前一直被一些其他的專案所佔據。 然後我從Fast.ai上 Arvind N的學生那裡讀到了一篇關於他如何在4天內完成所有3節課的部落格以及他對fast.ai和deeplearning.ai的看法。
我想挑戰自己，看是否我可以在不到4天內完成相同的事情。並且我成功了，在3天內完成了3門課程。
關於指導老師：
Andrew Ng是史丹佛大學教授，共同創辦了Coursera，成立並領導了Google Brain的深度學習專案，並曾任百度首席科學家。課程反映了他在各種大規模問題上學習到的知識。
該課程幫助您瞭解深度學習所需的數學知識，並在課程2結束之後，學習如何從頭開始構建深度學習演算法的幾個關鍵元件。
關於課程：
課程分為5節。截止到這篇部落格釋出（8月19日），已經發布了前3節課。 Andrew Ng在本門課中採用了自下而上的教學安排。在他早期的課程中，他選擇octave進行程式設計作業，但這個課程他選擇了python。
1. 在課程1中，他詳細地介紹了深度學習中許多概念所需的數學和直觀認識。他小心地對課程內容進行平衡，並教授數學知識，這是瞭解深度學習的基礎所必需的。指定會話對通過程式設計的方式實踐數學知識非常有幫助。所有的公式都已經提供好了，所以哪怕沒有太多的數學知識，你也可以專注於實現它們。
2. 課程2涵蓋了正則化，動量，批量歸一化和dropout等許多技術，來提高DL模型的效能。這個課程的最好的部分就是使用python和numpy來實現所有的技術。
3. 在第3節課中，他介紹了他從多年的經驗中學到的很多技巧和竅門。在第三部分課程結束時，他介紹了DL框架。課程3的作業是學習怎樣使用TensorFlow。作業設計的非常明確。
4. 課程4是關於CNN的。課程釋出後，我將更新此部分。
5. 課程5是關於RNN或序列資料的。一旦課程釋出，我將更新該部分。
亮點：
1. 當你學完前3節課後，你的基礎知識將非常強大。
2. 前3個課程採取了框架獨立的方法。這能讓你輕鬆使用任何框架。
3. 課程中包含了關於如何設計評估指標、如何分割資料集進行訓練以及避免方差和偏差問題的實用技巧。
4. 當然，最好的一部分是案例研究，您可以在這裡找到一個機會，來驗證你已經理解了如何成功執行深度學習專案。
5. 所有的作業都是以jupyter notebook的形式提供的，並在Coursera伺服器上執行，因此無需擔心基礎的框架。
6. 學完3節精彩的課後，仍有2節課值得期待。
7. 每週都有一個名為“深度學習英雄”的演講。這是一個很好的來源，讓我們瞭解深度學習背後的歷史和靈感。
侷限：
1. 對於一些全新的深度學習或機器學習專案，從頭開始構建每一部分並瞭解其背後的數學原理，可能非常具有挑戰性。
2. 由於課程遵循自下而上的方法，所以即使在第三節課結束後，您仍然很難在您的領域中使用DL來構建解決方案。
3. 由於提供了基礎框架，所以您將不再學習如何管理自己的工作站。而且如果要使用很多技術，有能力在雲端或家庭/辦公室配置機器這一點非常重要。
4. 課程提供了許多示例程式碼，使得完成作業變的更容易。但是要真正掌握一個技能，還得不使用示例程式碼，將整個作業復現一遍，這是非常重要的。這可能談不上是課程的侷限性，但如果您想要充分利用它，這是非常重要的。
費用：
所有課程內容都是免費提供。但是我不知道這些作業是否也免費提供。如果你正在參加付費版本的課程，那麼你最終每月花費大約367元或55 $。
Udacity上Siraj Raval深度學習奈米學位
我是Udacity的粉絲。他們在很多主題上都有非常好的課程。所以當今年初讀到深度學習課程的公告時，我非常開心，並在第一批就進行了註冊。
關於指導老師：
一部分課程來自Siraj Raval的視訊，其餘部分則來自Udacity。 我瞭解Siraj Raval是源於他在YouTube上的一些非常有趣的視訊。他是一個多才多藝的人，通過將音樂和視訊混合在一起，以充滿趣味性的方式巧妙地提供教育視訊。課程中還有一部分是由Andrew W.Trask和Ian Goodfellow教授。
關於課程：
與其他2門課程不同，本課程不會採取非常明確的自下而上或自上而下的方式。課程分為5個部分，並附贈100美元的亞馬遜Credit。它涵蓋了很多深度學習技術，如CNN，RNN，GAN，自編碼器。
亮點：
1. 在本課程的頭幾個星期，您將學習如何使用python構建神經網路，課程其餘部分將集中使用TensorFlow。
2. 作為課程的一部分，對你提交的所有專案，Udacity都將提供個性化的專案批改。
3. 到課程結束的時候，您可以在所有專案中輕鬆使用TensorFlow。
4. 高質量的社群和論壇指導，他們隨時準備為您提供幫助。
侷限：
1. 課程提供了一些操作技巧，來告訴你如何最佳地部署深度學習 /獲得出色的表現，但這沒有作為課程的重點。
2. 一些專案太簡單以至於難以在現實世界中應用。這些專案的資料集非常小。
3. 課程提供了示例，對複雜的DL應用程式構建過程進行簡化。但是，如果您的學習目的是在現實世界進行實際使用，建議您自行構建專案，而不使用示例程式碼。
費用：
課程費用較高。沒有提供免費版本。我參加課程的時候，有一個限量優惠，所以當時的成本約為2335元或350 $。
建議：
如果有人想從今天就開始[自學]深度學習，我會建議你先完成fast.ai，因為它的先決條件最低。接下來可以按順序或並行地參加Coursera 深度學習專業化課程的學習。感謝所有為了深度學習的普及真誠的付出過努力的人。
作者簡介：Vishnu Subramanian，終身學習者，熱衷於深度學習，分散式計算。目前正在積極尋找AI /深度學習的機會。
如果你想學習深度學習，你會選擇哪家的課程呢？