本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。告别“拼图式”学习！近日，一组关于深度学习和强化学习的免费课程在reddit上引起了网友的关注，获得了690+的点赞。因为它不仅形式丰富，而且融合了基础理论和具体应用，帮助你连接几何、统计学等相关理论解决复杂问题。对于初学者来说，堪称学习大礼包。该课程来自杜伦大学计算机科学系助理教授ChrisWillcocks。他说：与其他课程相比，我觉得这套课程涵盖的范围很广，也足够紧凑。一起来看看吧~课程设置课程分为深度学习和强化学习两部分，每部分10节课，总时长约20小时。除了视频，还提供了PPT、Colab代码示例和一些相关论文。深度学习课程的第1-5课侧重于理论，包括：第1课：简介；第2课：数学原理和反向传播；第3课：PyTorch编程：编码会议；第4课：设计模型以进行概括；第5课：生成模型；主要应用Lesson6-10，包括：Lesson6:AdversarialModel；第7课：基于能量的模型；第8课：顺序模型；第9课：流模型和隐式网络；第10课：元学习和流形学习。强化学习课程，改编自DavidSilver的课程。△DavidSilver课程的syllabus为了便于学习，将每个视频缩短到50分钟左右，并省略了高级推导部分，但增加了更多的例子和代码。课程如下：第一课：基础；第2课：马尔可夫决策过程；第3课：OpenAI健身房工具包；第4课：动态规划；第5课：蒙特卡洛方法；第6课：时间差分法；第七课：函数逼近；第8课：策略梯度法；第9课：基于模型的方法；第10课：扩展方法。让我们来看看学习过程是怎样的。以深度学习课程中的《第5课：生成模型》PPT为例：开头列出章节目录：课程分为定义、密度估计、散度度量、生成网络四个部分，每个部分又分为不同的小节。以散度检验中的K-L散度（相对熵）部分为例：首先说明相对熵衡量两个分布的差异，然后给出相应的计算公式，也可以直接访问图形计算器一把钥匙。△desmos计算器页面PPT图文并茂，简洁而不失简洁，每一节基本上只占1到2页。同样，在DeepLearningCoder部分，也可以一键查看Colab的代码示例：内容清晰，操作简单方便，对新手非常友好~关注本课程的网友有得到了众多网友的肯定，甚至有人称作者为“披着斗篷的英雄”。一位从PyTorch“逃”到Keras的网友表示，作者让他重新拿起PyTorch！针对网友普遍关心的问题：“这些课程主要是代码还是理论？”“学习课程的数学背景有什么要求？”一一做了解释：课程既有代码又有理论，前半部分课程偏理论，后半部分侧重于最新技术，两套课程都是这样。一路上提供了大量的Colab代码示例、方程式和算法，第二课介绍了数学符号。不需要很强的数学背景，第二课介绍了所需的数学知识。如果第二课太难，推荐使用这本书《机器学习数学基础（Mathematics for Machine Learning）》学习。这门课程没有非常必要的先决条件，但可能值得一看“深度学习”的第2课，以及《机器学习数学基础》的第2章和第6章。虽然不是强化学习基本算法的主要理论，但构建深度学习模型（尤其是卷积神经网络、递归神经网络）的一些实践在使用函数逼近器扩展方法时可能很有用。是不是也解答了你心中的疑问？然后，点击下方链接开始学习~课程列表：https://www.reddit.com/r/MachineLearning/comments/lqrek7/n_20_hours_of_new_lectures_on_deep_learning_and/
