标签归档：课程

Coursera上博弈论相关课程（公开课）汇总推荐

博弈论（Game Theory）很有意思，大家可能首先想到的就是赌博，据说博弈论最早源于赌博策略和数学，下面是来自维基百科的解释：

博弈论（英语：game theory），又译为对策论，或者赛局理论，应用数学的一个分支，1944年冯·诺伊曼与奥斯卡·摩根斯特恩合著《博弈论与经济行为》，标志着现代系统博弈理论的的初步形成，因此他被称为“博弈论之父”。博弈论被认为是20世纪经济学最伟大的成果之一。目前在生物学、经济学、国际关系、计算机科学、政治学、军事战略和其他很多学科都有广泛的应用。主要研究公式化了的激励结构（游戏或者博弈）间的相互作用。是研究具有斗争或竞争性质现象的数学理论和方法。也是运筹学的一个重要学科。

作为互联网广告研发人员，应该或多或少了解一点计算广告学，其中支撑Google, 百度等互联网巨头广告业务的竞价排名机制的核心之一就是博弈论。另外经济学中有很多博弈论的影子，电影“美丽心灵”中的主角数学家约翰纳什，由于他与另外两位数学家在非合作博弈的均衡分析理论方面做出了开创性的贡献，对博弈论和经济学产生了重大影响，而获得1994年诺贝尔经济学奖，纳什均衡则是博弈论课程中不可或缺的一节课。Coursera上有好几门博弈论(Game Theory)相关的课程，这里做个汇总整理。

1. 斯坦福大学的博弈论（Game Theory）

这门课程早在Coursera诞生之初就有了，后经多次优化，现在有上和下两个部分，这门课程属于博弈论上，重在博弈论基础，需要学习者有一定的数学思维和数学基础，例如基础的概率理论和一些微积分基础知识：

This course is aimed at students, researchers, and practitioners who wish to understand more about strategic interactions. You must be comfortable with mathematical thinking and rigorous arguments. Relatively little specific math is required; but you should be familiar with basic probability theory (for example, you should know what a conditional probability is), and some very light calculus would be helpful.

2. 斯坦福大学的博弈论二: 高级应用（Game Theory II: Advanced Applications)

上门博弈论课程的续集，关注博弈论的应用，包括机制设计，拍卖机制等：

Popularized by movies such as "A Beautiful Mind", game theory is the mathematical modeling of strategic interaction among rational (and irrational) agents. Over four weeks of lectures, this advanced course considers how to design interactions between agents in order to achieve good social outcomes. Three main topics are covered: social choice theory (i.e., collective decision making and voting systems), mechanism design, and auctions. In the first week we consider the problem of aggregating different agents' preferences, discussing voting rules and the challenges faced in collective decision making. We present some of the most important theoretical results in the area: notably, Arrow's Theorem, which proves that there is no "perfect" voting system, and also the Gibbard-Satterthwaite and Muller-Satterthwaite Theorems. We move on to consider the problem of making collective decisions when agents are self interested and can strategically misreport their preferences. We explain "mechanism design" -- a broad framework for designing interactions between self-interested agents -- and give some key theoretical results. Our third week focuses on the problem of designing mechanisms to maximize aggregate happiness across agents, and presents the powerful family of Vickrey-Clarke-Groves mechanisms. The course wraps up with a fourth week that considers the problem of allocating scarce resources among self-interested agents, and that provides an introduction to auction theory.

3. 东京大学的博弈论入门课程（Welcome to Game Theory）

入门级博弈论课程，由东京大学推出，英文授课：

This course provides a brief introduction to game theory. Our main goal is to understand the basic ideas behind the key concepts in game theory, such as equilibrium, rationality, and cooperation. The course uses very little mathematics, and it is ideal for those who are looking for a conceptual introduction to game theory. Business competition, political campaigns, the struggle for existence by animals and plants, and so on, can all be regarded as a kind of “game,” in which individuals try to do their best against others. Game theory provides a general framework to describe and analyze how individuals behave in such “strategic” situations. This course focuses on the key concepts in game theory, and attempts to outline the informal basic ideas that are often hidden behind mathematical definitions. Game theory has been applied to a number of disciplines, including economics, political science, psychology, sociology, biology, and computer science. Therefore, a warm welcome is extended to audiences from all fields who are interested in what game theory is all about.

4. 佐治亚理工学院的组合博弈论（Games without Chance: Combinatorial Game Theory)

这门课程主要关注组合博弈论，覆盖不靠运气游戏背后的数学理论和分析：This course will cover the mathematical theory and analysis of simple games without chance moves.

本课程将讲解如何运用数学理论，分析不含运气步骤（随机步骤）的简单游戏。本课程将探索不含运气步骤（随机步骤）的两个玩家游戏中的数学理论。我们将讨论如何简化游戏，什么情况下游戏等同于数字运算，以及怎样的游戏才算公正。许多例子都是有关一此简单的游戏，有的你可能还没有听说过：Hackenbush（“无向图删边”游戏）、Nim（“拈”游戏）、Push（推箱子游戏）、Toads and Frogs（“蟾蜍和青蛙”游戏），等。虽然完成这门课程并不能让你成为国际象棋或围棋高手，但是会让你更深入了解游戏的结构。

5. 国立台湾大学的实验经济学: 行为博弈论 (Experimental Economics I: Behavioral Game Theory)

台湾大学王道一副教授 (Associate Professor)的实验经济学课程-行为博弈论：

人是否会如同理论经济学的预测进行决策？这门课将透过每周的课程视频以及课后作业带你了解实验经济学的基本概念。每周将会有习题练习以及指定阅读的期刊论文。你将会参与一些在线的实验、报告论文并且互评其他同学的报告。❖课程介绍（About the course）这是一门进阶的经济学课程，课程目标为介绍实验经济学的基本概念，并且让学生们能开始在这个领域从事自己的相关研究。详细课程目标如下：1.实验经济学的介绍：在上完这堂课之后，学生应能列举经济学各个领域的数个知名实验，并且解释实验结果如何验证或否证经济理论及其他实地数据。2.评论近期相关领域研究：上完这堂课之后，学生应能阅读并评论实验经济学相关的期刊论文。在课堂中，学生将会阅读指定的期刊论文，并且（在视频中）亲自上台报告一篇论文。❖授课形式（Course format）1.本堂课将以视频的形式为主，搭配课后作业的形式来进行。每个同学将阅读一篇实验经济学论文，并录像成两段各10分钟的介绍视频并后上传至Coursera（或上传到Youku，再复制连接到作业上传区）。第一段期中报告视频请同学介绍该论文所描述的实验设计，第二段，也就是期末报告视频则介绍实验结果。此外每位同学至少需观看其他两位同学的呈现内容，并给予评论。2.这堂课将简单地运用以下赛局（博弈）概念：奈许均衡/纳什均衡（Nash Equilibrium）混合策略均衡（Mixed Strategy Equilibrium）子赛局完美均衡/子博弈精练纳什均衡（SPNE）共识/共同知识（Common Knowledge）信念（Belief）

注：本文首发“课程图谱博客”：http://blog.coursegraph.com
同步发布到这里, 本文链接地址：http://blog.coursegraph.com/coursera上博弈论课程博弈论公开课汇总推荐 http://blog.coursegraph.com/?p=782

Coursera上数据结构 & 算法课程（公开课）汇总推荐

发表回复

数据结构和算法是基本功，Coursera上有很多数据结构和算法方面的经典课程，这里做个总结。

1. 普林斯顿大学 Sedgewick 教授的算法1: Algorithms, Part I

这门算法课程已经开过很多轮，好评如潮，应该算得上是 Coursera 上的明星算法课程了，感兴趣的同学可以参考课程图谱上的旧版课程评论，强烈推荐：

This course covers the essential information that every serious programmer needs to know about algorithms and data structures, with emphasis on applications and scientific performance analysis of Java implementations. Part I covers elementary data structures, sorting, and searching algorithms. Part II focuses on graph- and string-processing algorithms.

2. 普林斯顿大学 Sedgewick 教授的算法2: Algorithms, Part II

系列课程，依然强烈推荐，感兴趣的同学可以参考早期课程的评价：http://coursegraph.com/coursera_algs4partII

“Part II较Part I在部分Programming Assignments上增加了timing和memory的难度，API100%不再意味着全部100%，这正是这门课程的精华之处：不是灌输算法知识，而是通过实际操作的过程让学员深入理解数据结构和算法调优在经济上的意义。个人很喜欢论坛上大家在Performance Thread里贴出自己的report然后交流优化心得的过程，很有圆桌会议的架势。这门课的教授Robert Sedgewick师出名门，是Knuth在斯坦福的博士。老爷子年岁已近70，一直活跃在论坛上解答和讨论问题，敬业程度让人赞叹。”

This course covers the essential information that every serious programmer needs to know about algorithms and data structures, with emphasis on applications and scientific performance analysis of Java implementations. Part I covers elementary data structures, sorting, and searching algorithms. Part II focuses on graph- and string-processing algorithms.

3. 斯坦福大学的算法专项课程（Algorithms Specialization）

斯坦福大学的算法专项课程系列（Algorithms Specialization），这个系列包含4门子课程，涵盖基础的算法主题和高级算法主题，此前评价非常高，五颗星推荐，感兴趣的同学可以关注: Learn To Think Like A Computer Scientist-Master the fundamentals of the design and analysis of algorithms.

Algorithms are the heart of computer science, and the subject has countless practical applications as well as intellectual depth. This specialization is an introduction to algorithms for learners with at least a little programming experience. The specialization is rigorous but emphasizes the big picture and conceptual understanding over low-level implementation and mathematical details. After completing this specialization, you will be well-positioned to ace your technical interviews and speak fluently about algorithms with other programmers and computer scientists. About the instructor: Tim Roughgarden has been a professor in the Computer Science Department at Stanford University since 2004. He has taught and published extensively on the subject of algorithms and their applications.

可参考老版课程评论：Algorithms: Design and Analysis, Part 1 和 Algorithms: Design and Analysis, Part 2

3.1 Divide and Conquer, Sorting and Searching, and Randomized Algorithms

The primary topics in this part of the specialization are: asymptotic ("Big-oh") notation, sorting and searching, divide and conquer (master method, integer and matrix multiplication, closest pair), and randomized algorithms (QuickSort, contraction algorithm for min cuts).

3.2 Graph Search, Shortest Paths, and Data Structures

The primary topics in this part of the specialization are: data structures (heaps, balanced search trees, hash tables, bloom filters), graph primitives (applications of breadth-first and depth-first search, connectivity, shortest paths), and their applications (ranging from deduplication to social network analysis).

3.3 Greedy Algorithms, Minimum Spanning Trees, and Dynamic Programming

The primary topics in this part of the specialization are: greedy algorithms (scheduling, minimum spanning trees, clustering, Huffman codes) and dynamic programming (knapsack, sequence alignment, optimal search trees).

3.4 Shortest Paths Revisited, NP-Complete Problems and What To Do About Them

The primary topics in this part of the specialization are: shortest paths (Bellman-Ford, Floyd-Warshall, Johnson), NP-completeness and what it means for the algorithm designer, and strategies for coping with computationally intractable problems (analysis of heuristics, local search).

4. 北京大学的程序设计与算法专项课程系列

据说是国内学生选择最多的中文程序设计课程，这个系列包含7门子课程，分别是计算导论与C语言基础， C程序设计进阶，C++程序设计，算法基础，数据结构基础，高级数据结构与算法，程序开发项目实践，最后一个项目实践课程联合腾讯公司设计一个实际的应用问题：搜索引擎设计。感兴趣的同学可以关注：

本专项课程旨在系统培养你的程序设计与编写能力。系列课程从计算机的基础知识讲起，无论你来自任何学科和行业背景，都能快速理解；同时我们又系统性地介绍了C程序设计，C++程序设计，算法基础，数据结构与算法相关的内容，各门课之间联系紧密，循序渐进，能够帮你奠定坚实的程序开发基础；课程全部配套在线编程测试，将有效地训练和提升你编写程序的实际动手能力。并通过结业实践项目为你提供应用程序设计解决复杂现实问题的锻炼，从而积累实际开发的经验。因此，我们希望本专项课程能够帮助你完成从仅了解基本的计算机知识到能够利用高质量的程序解决实际问题的转变。

5. 加州大学圣地亚哥分校的数据结构与算法专项课程系列（Data Structures and Algorithms Specialization）

这个系列包含5门子课程和1门毕业项目课程，包括算法工具箱，数据结构，图算法，字符串算法，高级算法与算法复杂度，算法毕业项目等，感兴趣的同学可以关注: Master Algorithmic Programming Techniques-Learn algorithms through programming and advance your software engineering or data science career

This specialization is a mix of theory and practice: you will learn algorithmic techniques for solving various computational problems and will implement about 100 algorithmic coding problems in a programming language of your choice. No other online course in Algorithms even comes close to offering you a wealth of programming challenges that you may face at your next job interview. To prepare you, we invested over 3000 hours into designing our challenges as an alternative to multiple choice questions that you usually find in MOOCs. Sorry, we do not believe in multiple choice questions when it comes to learning algorithms...or anything else in computer science! For each algorithm you develop and implement, we designed multiple tests to check its correctness and running time — you will have to debug your programs without even knowing what these tests are! It may sound difficult, but we believe it is the only way to truly understand how the algorithms work and to master the art of programming. The specialization contains two real-world projects: Big Networks and Genome Assembly. You will analyze both road networks and social networks and will learn how to compute the shortest route between New York and San Francisco (1000 times faster than the standard shortest path algorithms!) Afterwards, you will learn how to assemble genomes from millions of short fragments of DNA and how assembly algorithms fuel recent developments in personalized medicine.

注：本文首发“课程图谱博客”：http://blog.coursegraph.com ，同步发布到这里, 本文链接地址：http://blog.coursegraph.com/coursera上数据结构-算法课程-算法公开课-汇总推荐 http://blog.coursegraph.com/?p=736

Andrew Ng 深度学习公开课系列第五门课程序列模型开课

发表回复

Andrew Ng 深度学习课程系列第五门课程序列模型（Sequence Models）在1月的尾巴终于开课，在跳票了几次之后，这门和NLP比较相关的深度学习课程终于开课了。这门课程属于Coursera上的深度学习专项系列，这个系列有5门课，目前终于完备，感兴趣的同学可以关注：Deep Learning Specialization

This course will teach you how to build models for natural language, audio, and other sequence data. Thanks to deep learning, sequence algorithms are working far better than just two years ago, and this is enabling numerous exciting applications in speech recognition, music synthesis, chatbots, machine translation, natural language understanding, and many others. You will: - Understand how to build and train Recurrent Neural Networks (RNNs), and commonly-used variants such as GRUs and LSTMs. - Be able to apply sequence models to natural language problems, including text synthesis. - Be able to apply sequence models to audio applications, including speech recognition and music synthesis. This is the fifth and final course of the Deep Learning Specialization.

这门课程主要面向自然语言，语音和其他序列数据进行深度学习建模，将会学习递归神经网络，GRU，LSTM等内容，以及如何将其应用到语音识别，机器翻译，自然语言理解等任务中去。个人认为这是目前互联网上最适合入门深度学习的系列系列课程了，Andrew Ng 老师善于讲课，另外用Python代码抽丝剥茧扣作业，课程学起来非常舒服，希望最后这门RNN课程也不负众望。参考我之前写得两篇小结：

Andrew Ng 深度学习课程小记

Andrew Ng (吴恩达) 深度学习课程小结

额外推荐: 深度学习课程资源整理

Andrew Ng 深度学习课程系列第四门课程卷积神经网络开课

发表回复

Andrew Ng 深度学习课程系列第四门课程卷积神经网络（Convolutional Neural Networks）将于11月6日开课，不过课程资料已经放出，现在注册课程已经可以听课了，这门课程属于Coursera上的深度学习专项系列，这个系列有5门课，前三门已经开过好几轮，但是第4、第5门课程一直处于待定状态，新的一轮将于11月7号开始，感兴趣的同学可以关注：Deep Learning Specialization

This course will teach you how to build convolutional neural networks and apply it to image data. Thanks to deep learning, computer vision is working far better than just two years ago, and this is enabling numerous exciting applications ranging from safe autonomous driving, to accurate face recognition, to automatic reading of radiology images. You will: - Understand how to build a convolutional neural network, including recent variations such as residual networks. - Know how to apply convolutional networks to visual detection and recognition tasks. - Know to use neural style transfer to generate art. - Be able to apply these algorithms to a variety of image, video, and other 2D or 3D data. This is the fourth course of the Deep Learning Specialization.

个人认为这是目前互联网上最适合入门深度学习的课程系列了，Andrew Ng 老师善于讲课，另外用Python代码抽丝剥茧扣作业，课程学起来非常舒服，参考我之前写得两篇小结：

Andrew Ng 深度学习课程小记

Andrew Ng (吴恩达) 深度学习课程小结

额外推荐: 深度学习课程资源整理

Andrew Ng (吴恩达) 深度学习课程小结

4条回复

Andrew Ng (吴恩达) 深度学习课程从宣布到现在大概有一个月了，我也在第一时间加入了这个Coursera上的深度学习系列课程，并且在完成第一门课“Neural Networks and Deep Learning（神经网络与深度学习）”的同时写了关于这门课程的一个小结：Andrew Ng 深度学习课程小记。之后我断断续续的完成了第二门深度学习课程“Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization"和第三门深度学习课程“Structuring Machine Learning Projects”的相关视频学习和作业练习，也拿到了课程证书。平心而论，对于一个有经验的工程师来说，这门课程的难度并不高，如果有时间，完全可以在一个周内完成三门课程的相关学习工作。但是对于一个完全没有相关经验但是想入门深度学习的同学来说，可以预先补习一下Python和机器学习的相关知识，如果时间允许，建议先修一下 Coursera 的Python系列课程：Python for Everybody Specialization 和 Andrew Ng 本人的机器学习课程。

吴恩达这个深度学习系列课 (Deep Learning Specialization) 有5门子课程，截止目前，第四门"Convolutional Neural Networks" 和第五门"Sequence Models"还没有放出，不过上周四 Coursera 发了一封邮件给学习这门课程的用户：

Dear Learners,

We hope that you are enjoying Structuring Machine Learning Projects and your experience in the Deep Learning Specialization so far!

As we are nearing the one month anniversary of the Deep Learning Specialization, we wanted to thank you for your feedback on the courses thus far, and communicate our timelines for when the next courses of the Specialization will be available.

We plan to begin the first session of Course 4, Convolutional Neural Networks, in early October, with Course 5, Sequence Models, following soon after. We hope these estimated course launch timelines will help you manage your subscription as appropriate.

If you’d like to maintain full access to current course materials on Coursera’s platform for Courses 1-3, you should keep your subscription active. Note that if you only would like to access your Jupyter Notebooks, you can save these locally. If you do not need to access these materials on platform, you can cancel your subscription and restart your subscription later, when the new courses are ready. All of your course progress in the Specialization will be saved, regardless of your decision.

Thank you for your patience as we work on creating a great learning experience for this Specialization. We look forward to sharing this content with you in the coming weeks!

Happy Learning,

Coursera

大意是第四门深度学习课程 CNN（卷积神经网络）将于10月上旬推出，第五门深度学习课程 Sequence Models(序列模型, RNN等）将紧随其后。对于付费订阅的用户，如果你想随时随地获取当前3门深度学习课程的所有资料，最好保持订阅；如果你仅仅想访问 Jupyter Notebooks，也就是获取相关的编程作业，可以先本地保存它们。你也可以现在取消订阅这门课程，直到之后的课程开始后重新订阅，你的所有学习资料将会保存。所以一个比较省钱的办法，就是现在先离线保存相关课程资料，特别是编程作业等，然后取消订阅。当然对于视频，也可以离线下载，不过现在免费访问这门课程的视频有很多办法，譬如Coursera本身的非订阅模式观看视频，或者网易云课堂免费提供了这门课程的视频部分。不过我依然觉得，吴恩达这门深度学习课程，如果仅仅观看视频，最大的功效不过30%，这门课程的精华就在它的练习和编程作业部分，特别是编程作业，非常值得揣摩，花钱很值。

再次回到 Andrew Ng 这门深度学习课程的子课程上，第二门课程是“Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization"，有三周课程，包括是深度神经网络的调参、正则化方法和优化算法讲解：

第一周课程是关于深度学习的实践方面的经验 (Practical aspects of Deep Learning), 包括训练集/验证集/测试集的划分，Bias 和
Variance的问题，神经网络中解决过拟合 (Overfitting) 的 Regularization 和 Dropout 方法，以及Gradient Check等：

这周课程依然强大在编程作业上，有三个编程作业需要完成：

完成编程的作业的过程也是一个很好的回顾课程视频的过程，可以把一些听课中容易忽略的点补上。

第二周深度学习课程是关于神经网络中用到的优化算法 (Optimization algorithms），包括 Mini-batch gradient descent，RMSprop， Adam等优化算法：

编程作业也很棒，在老师循循善诱的预设代码下一步一步完成了几个优化算法。

第三周深度学习课程主要关于神经网络中的超参数调优和深度学习框架问题（Hyperparameter tuning , Batch Normalization and Programming Frameworks），顺带讲了一下多分类问题和 Softmax regression, 特别是最后一个视频简单介绍了一下 TensorFlow , 并且编程作业也是和TensorFlow相关，对于还没有学习过Tensorflow的同学，刚好是一个入门学习机会，视频介绍和作业设计都很棒：

第三门深度学习课程“Structuring Machine Learning Projects”更简单一些，只有两周课程，只有 Quiz, 没有编程作业，算是Andrew Ng 老师关于深度学习或者机器学习项目方法论的一个总结：

第一周课程主要关于机器学习的策略、项目目标（可量化）、训练集/开发集/测试集的数据分布、和人工评测指标对比等：

课程虽然没有提供编程作业，但是Quiz练习是一个关于城市鸟类识别的机器学习案例研究，通过这个案例串联15个问题，对应着课程视频中的相关经验，值得玩味。

第二周课程的学习目标是：

“Understand what multi-task learning and transfer learning are
Recognize bias, variance and data-mismatch by looking at the performances of your algorithm on train/dev/test sets”

主要讲解了错误分析（Error Analysis），不匹配训练数据和开发/测试集数据的处理（Mismatched training and dev/test set），机器学习中的迁移学习（Transfer learning）和多任务学习（Multi-task learning），以及端到端深度学习（End-to-end deep learning）：

这周课程的选择题作业仍然是一个案例研究，关于无人驾驶的：Autonomous driving (case study)，还是用15个问题串起视频中得知识点，体验依然很棒。

最后，关于Andrew Ng (吴恩达) 深度学习课程系列，Coursera上又启动了新一轮课程周期，9月12号开课，对于错过了上一轮学习的同学，现在加入新的一轮课程刚刚好。不过相信 Andrew Ng 深度学习课程会成为他机器学习课程之后 Coursera 上又一个王牌课程，会不断滚动推出的，所以任何时候加入都不会晚。另外，如果已经加入了这门深度学习课程，建议在学习的过程中即使保存资料，我都是一边学习一边保存这门深度学习课程的相关资料的，包括下载了课程视频用于离线观察，完成Quiz和编程作业之后都会保存一份到电脑上，方便随时查看。

索引：Andrew Ng 深度学习课程小记

注：原创文章，转载请注明出处及保留链接“我爱自然语言处理”：https://www.52nlp.cn

本文链接地址：Andrew Ng (吴恩达) 深度学习课程小结 https://www.52nlp.cn/?p=9761

Andrew Ng 深度学习课程小记

9条回复

2011年秋季，Andrew Ng 推出了面向入门者的MOOC雏形课程机器学习: Machine Learning，随后在2012年4月，Andrew Ng 在Coursera上推出了改进版的Machine Learning(机器学习)公开课: Andrew Ng' Machine Learning: Master the Fundamentals，这也同时宣告了Coursera平台的诞生。当时我也是第一时间加入了这门课程，并为这门课程写了一些笔记：Coursera公开课笔记: 斯坦福大学机器学习。同时也是受这股MOOC浪潮的驱使，建立了“课程图谱”，因此结识了不少公开课爱好者和MOOC大神。而在此之前，Andrew Ng 在斯坦福大学的授课视频“机器学习”也流传甚广，但是这门面向斯坦福大学学生的课程难道相对较高。直到2012年Coursera, Udacity等MOOC平台的建立，把课程视频，作业交互，编程练习有机结合在一起，才产生了更有生命力的MOOC课程。Andrew Ng 在为新课程深度学习写的宣传文章“deeplearning.ai: Announcing new Deep Learning courses on Coursera”里提到，这门机器学习课程自从开办以来，大约有180多万学生学习过，这是一个惊人的数字。

回到这个深度学习系列课：Deep Learning Specialization ，该课程正式开课是8月15号，但是在此之前几天已经开放了，加入后可以免费学习7天，之后开始按月费49美元收取，直到取消这个系列的订阅为止。正式加入的好处是，除了课程视频，还可以在Coursera平台上做题和提交编程作业，得到实时反馈，如果通过的话，还可以拿到相应的课程证书。我在上周六加入了这门以 deeplearning.ai 的名义推出的Deep Learning(深度学习)系列课，并且利用业余时间完成了第一门课“Neural Networks and Deep Learning（神经网络与深度学习）”的相关课程，包括视频观看和交互练习以及编程作业，体验很不错。自从Coursera迁移到新平台后，已经很久没有上过相关的公开课了，这次要不是Andrew Ng 离开百度后重现MOOC江湖，点燃了内心久违的MOOC情节，我大概也不会这么认真的去上公开课了。

具体到该深度学习课程的组织上，Andrew Ng 把这门课程的门槛已经降到很低，和他的机器学习课程类似，这是一个面向AI初学者的深度学习系列课程：

If you want to break into AI, this Specialization will help you do so. Deep Learning is one of the most highly sought after skills in tech. We will help you become good at Deep Learning.

In five courses, you will learn the foundations of Deep Learning, understand how to build neural networks, and learn how to lead successful machine learning projects. You will learn about Convolutional networks, RNNs, LSTM, Adam, Dropout, BatchNorm, Xavier/He initialization, and more. You will work on case studies from healthcare, autonomous driving, sign language reading, music generation, and natural language processing. You will master not only the theory, but also see how it is applied in industry. You will practice all these ideas in Python and in TensorFlow, which we will teach.

You will also hear from many top leaders in Deep Learning, who will share with you their personal stories and give you career advice.

AI is transforming multiple industries. After finishing this specialization, you will likely find creative ways to apply it to your work.

We will help you master Deep Learning, understand how to apply it, and build a career in AI.

虽然面向初学者，但是这门课程也会讲解很多实践中的工程经验，所以这门课程既适合没有经验的同学从基础学起，也适合有一定基础的同学查遗补漏：

从实际听课的效果上来看，如果用一个字来总结效果，那就是“值”，花钱也值。该系列第一门课是“Neural Networks and Deep Learning（神经网络与深度学习）” 分为4个部分：

1. Introduction to deep learning
2. Neural Networks Basics
3. Shallow neural networks
4. Deep Neural Networks

第一周关于“深度学习的介绍”非常简单，也没有编程作业，只有简单的选择题练习，主要是关于深度学习的宏观介绍和课程的相关介绍：

第二周关于“神经网络基础”从二分类讲起，到逻辑回归，再到梯度下降，再到用计算图（computation graph ）求导，如果之前学过Andrew Ng的“Machine Learning(机器学习)” 公开课，除了Computation Graph, 其他应该都不会陌生：

第二周课程同时也提供了编程作业所需要的基础部分视频课程：Python and Vectorization。这门课程的编程作业使用Python语言，并且提供线上 Jupyter Notebook 编程环境完成作业，无需线下编程验证提交，非常方便。这也和之前机器学习课程的编程作业有了很大区别，之前那门课程使用Octave语言（类似Matlab的GNU Octave)，并且是线下编程测试后提交给服务器验证。这次课程线上完成编程作业的感觉是非常棒的，这个稍后再说。另外就是强调数据处理时的 Vectorization(向量化/矢量化），并且重度使用 Numpy 工具包, 如果没有特别提示，请尽量避免使用 "for loop":

当然，这部分最赞的是编程作业的设计了，首先提供了一个热身可选的编程作业：Python Basics with numpy (optional)，然后是本部分的相关作业：Logistic Regression with a Neural Network mindset。每部分先有一个引导将这部分的目标讲清楚，然后点击“Open Notebook”开始作业，Notebook中很多相关代码老师已经精心设置好，对于学生来说，只需要在相应提示的部分写上几行关键代码（主要还是Vectorization)，运行后有相应的output，如果output和里面提示的期望输出一致的话，就可以点击保存继续下一题了，非常方便，完成作业后就可以提交了，这部分难度不大：

第三周课程关于“浅层神经网络”的课程我最关心的其实是关于反向传播算法的讲解，不过在课程视频中这个列为了可选项，并且实话实话Andrew Ng关于这部分的讲解并不能让我满意，所以如果看完这一部分后对于反向传播算法还不是很清楚的话，可以脑补一下《反向传播算法入门资源索引》中提到的相关文章。不过瑕不掩瑜，老师关于其他部分的讲解依然很棒，包括激活函数的选择，为什么需要一个非线性的激活函数以及神经网络中的初始化参数选择等问题：

虽然视频中留有遗憾，但是编程作业堪称完美，在Python Notebook中老师用代入模式系统的过了一遍神经网络中的基本概念，堪称“手把手教你用Python写一个神经网络”的经典案例：

update: 这个周六（2017.08.20）完成了第四周课程和相关作业，也达到了拿证书的要求，不过需要上传相关证件验证ID，暂时还没有操作。下面是关于第四周课程的一点补充。

第四周课程关于“深度神经网络（Deep Neural Networks）”，主要是多层神经网络的相关概念，有了第三周课程基础，第四周课程视频相对来说比较轻松：

不过本周课程的提供了两个编程作业，一个是一步一步完成深度神经网络，一个是深度神经网络的应用，依然很棒：

完成最后的编程作业就可以拿到相应的分数和可有获得课程证书了，不过获得证书前需要上传自己的相关证书完成相关身份验证，这个步骤我还没有操作，所以是等待状态：

这是我学完Andrew Ng这个深度学习系列课程第一门课程“Neural Networks and Deep Learning（神经网络与深度学习）” 的体验，如果用几个字来总结这个深度学习系列课程，依然是：值、很值、非常值。如果你是完全的人工智能的门外汉或者入门者，那么建议你先修一下Andrew Ng的 Machine Learning(机器学习)公开课，用来过渡和理解相关概念，当然这个是可选项；如果你是一个业内的从业者或者深度学习工具的使用者，那么这门课程很适合给你扫清很多迷雾；当然，如果你对机器学习和深度学习了如指掌，完全可以对这门课程一笑了之。

关于是否付费学习这门深度学习课程，个人觉得很值，相对于国内各色收费的人工智能课程，这门课程49美元的月费绝对物超所值，只要你有时间，你完全可以一个月学完所有课程。特别是其提供的作业练习平台，在尝试了几个周的编程作业后，我已经迫不及待的想进入到其他周课程和编程作业了。

最后再次附上这门课程的链接，正如这门课程的目标所示：掌握深度学习、拥抱AI，现在就加入吧：Deep Learning Specialization: Master Deep Learning, and Break into AI