“连续开设5年，对新手友好、易于上手，参加课程的多数学生来自非计算机科学领域……”
推荐一门AI课程——MIT官方深度学习入门课程6.S191《深度学习导论（2022）》，课程介绍了深度学习技术在计算机视觉、自然语言处理、生物学等领域的应用。通过学习这门课程，学生将掌握深度学习算法的基本知识，以及用 TensorFlow 搭建神经网络的实操经验。
虽然门槛相对较低，但还是需要学生掌握线性代数和微积分相关基础知识（例如：矩阵乘法和导数）。Python 经验也会有所帮助（但非必备）。该视频内容已由矩池云进行翻译。
课程全套视频
课程介绍
课程共10个讲座视频，涵盖了深度学习的基础知识与多个应用领域：
- 深度学习导论
- 深度序列建模
- 深度计算机视觉
- 深度生成建模
- 深度强化学习
- 局限性和新领域
- 自动驾驶
- 语音识别
- AI科学
- 深度学习的不确定性
开场“彩蛋”之后，课程展开介绍了深度学习的一些基本概念，比如，神经网络只是相互堆叠的感知机，它们通过反向传播进行优化。以及学习如何通过向神经网络投喂数据来对它们进行训练，在训练过程中应该采取什么预防措施。
下一个主题是序列建模。从预测移动物体的方向到心跳、全球温度再到自然语言，序列无处不在。循环神经网络适用于处理此类序列建模任务。
半个多世纪来，计算机科学家一直在想办法让计算机拥有视觉。在计算机眼中，图像只是0和1的集合。我们要如何帮助计算机找到图像中的复杂特征？这就需要卷积神经网络，来帮助我们了解模型如何学习识别图像中的特征。
在生成建模这一课，你会了解到课程开场的“彩蛋”是如何做到的。之前的模型对数据会进行标注（比如，你告诉模型这个图像表示的是一只猫)，但在生成建模中，数据是没有标签的，这就是无监督学习。无监督学习的目标是学习数据下的隐藏结构。你会学习到两种无监督模型：变分自动编码器（VAE）和生成对抗网络（GANS）。
学习了监督学习和无监督学习，接下来就是强化学习。强化学习就是让AI学会玩超级玛丽或者让机器人学会走路。把一个agent放在一个需要实现你预期目标的环境中，agent会因为完成某些任务获得奖励，完成其他任务会受到惩罚。这样agent就会反复学习让奖励最大化的策略。简单地讲，这就是强化学习的概念。
最后几节课是由英伟达等知名机构的客座讲师授课。讲授自动驾驶、语音识别、AI科学算法等方面内容。
理论知识之外，课程的实践部分还设计了三个开源、交互的TensorFlow软件lab，涵盖了TensorFlow的基础知识。例如，用于音乐生成的循环神经网络模型、消除偏见的面部识别系统和端到端自动驾驶控制。理论结合实践的课程设置也印证了MIT的校训“Mens et Manus”（手脑并用，创新世界）。
课程主讲
该课程的主要组织者和讲师Alexander Amini是麻省理工学院（MIT）的博士生，导师为Daniela Rus教授。Alexander Amini同时还是NSF Fellow，并在MIT完成了电子工程与计算机科学理学学士和理学硕士学位，并辅修数学。
Alexander Amini的主要研究领域包括为自主系统的端到端控制（即感知到驱动）构建机器学习算法，并为这些算法制定保障。他还研究过自动驾驶汽车的控制、形式化深度神经网络的置信度、对人类移动性的数学建模，以及构建复杂的惯性优化系统。
另一位主讲Ava Soleimany是微软研究实验室的高级研究员，在哈佛大学获得生物物理学博士，博士期间与Sangeeta Bhatia一起在MIT Koch 癌症研究所进行研究，并获得NSF研究生研究奖学金计划的支持。此前，Ava Soleimany在MIT完成了计算机科学和分子生物学学士学位。
Ava Soleimany博士阶段的研究重点是用于癌症早期检测的新诊断方法，其研究利用了纳米技术、机器学习和统计学、化学生物学和生物工程的工具来创造新的诊断和治疗生物技术。
传送门
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
