一位曾两度登顶全球机器学习竞赛排行榜的人，审视了大学讲授AI的方式，得出结论：他们的教学顺序完全反了。

于是他创建了一门免费课程，培养出的AI实践者数量超过了多数研究生项目。

这个人叫杰瑞米·霍华德，这门课叫做《面向程序员的实用深度学习》。

支撑整门课的核心论点如下：

大学教AI是自上而下的。先让你学完线性代数，再学微积分，然后是概率论。可能一年之后，你才终于被允许碰一个模型。霍华德眼睁睁看着这种教法摧毁了无数有动力的人。绝大多数人根本撑不到有趣的部分——数学这堵墙先就把他们挡在了门外。

他认为这种做法大错特错。他的观点是：你不会教一个人打棒球，先让他花一年钻研曲线球的物理原理，才让他拿球棒。你会让他先玩起来，等他真正在意了，再去解释背后的物理。

所以他的课程把顺序颠倒过来。在第一次课上，在任何高深理论之前，你就训练一个能实际运行的图像分类器。第一天你就构建出一个真实可用的东西。理论之后慢慢来，一点一点地引入，恰恰在你需要深入的时候才登场。

《哈佛商业评论》说，fast.ai能让有动力的学生一路走到构建工业级AI系统。

整门课程完全免费。没有付费墙，没有注册陷阱。

课程假设你会一点编程，并记得一些高中数学。这就是门槛。

真正进入AI领域的人，几乎从来不是从方程式开始的。

https://course.fast.ai

面向程序员的实用深度学习 - 实用深度学习

来源：https://course.fast.ai/

这门免费课程面向有一定编程经验、想要学习如何将深度学习和机器学习应用于实际问题的人们（以及兔子们！）。

深度学习能够完成各种令人惊叹的事情。例如，本网站上的所有插图都是用深度学习生成的，使用DALL-E 2 (https://openai.com/dall-e-2/)。

欢迎！

《面向程序员的实用深度学习 2022 第1部分》在昆士兰大学 (https://www.uq.edu.au/) 录制，涵盖以下主题：

• 为计算机视觉、自然语言处理、表格分析和协同过滤问题构建和训练深度学习模型
• 创建随机森林和回归模型
• 部署模型
• 使用 PyTorch（全球增长最快的深度学习软件）以及 fastai 和 Hugging Face 等流行库

课程共有9节课，每节课约90分钟。课程基于我们的五星级评分书籍 (https://www.amazon.com/Deep-Learning-Coders-fastai-PyTorch/dp/1492045527)，该书可在线免费获取 (https://course.fast.ai/Resources/book.html)。

你不需要任何特殊的硬件或软件——我们会教你如何免费使用构建和部署模型所需的资源。你也不需要大学数学知识——我们会在课程中教你所需的微积分和线性代数。

真实成果

我们的视频已被观看超过600万次！请查看我们书和课程的数十条推荐语 (https://course.fast.ai/Resources/testimonials.html)，来自校友、顶尖学者和行业专家。

“深度学习属于每个人”——我们在本书第一章第一节中看到，虽然其他书可能也有类似的说法，但这本书确实做到了。作者对该领域有广泛的知识，但能够以非常适合有编程经验但不了解机器学习的读者的方式描述它。本书先展示例子，只在具体例子的上下文中涉及理论。对大多数人来说，这是最好的学习方式。这本书出色地涵盖了深度学习在计算机视觉、自然语言处理和表格数据处理中的关键应用，还涵盖了其他书可能遗漏的数据伦理等关键主题。总的来说，这是程序员精通深度学习的最佳资料之一。

Peter Norvig 谷歌研究主任

到第二节课结束时，你将已经构建并部署了一个基于你自己收集的数据的深度学习模型。许多学生将他们的课程项目发布到我们的论坛；你可以在这里查看 (https://forums.fast.ai/t/share-your-work-here/96015)。例如，如果你家后院有未知恐龙，你可能需要这个恐龙分类器 (https://notebooksg.jarvislabs.ai/U7mQvWgvra53-YvTogLgJCfNzgJxRJv238Go2bHoAmHBqQFHoOL1ZFeKDG8gYmnO/)！

我们课程的校友已经进入诸如Google Brain、OpenAI、Adobe、Amazon 和 Tesla 等组织工作，在 NeurIPS (https://en.wikipedia.org/wiki/Conference_on_Neural_Information_Processing_Systems) 等顶级会议上发表研究，并利用在这里学到的技能创建了初创公司。广受好评的 Camera+ (https://camera.plus/) 应用的首席开发者 Petro Cuenca，在完成课程后为其产品添加了深度学习功能，随后被 Apple (https://twitter.com/pcuenq/status/1540121042596904963) 推荐，称赞其“机器学习魔法”。

你的老师

我是杰瑞米·霍华德，你这段旅程的向导。我领导着 fastai 的开发，这是你将在整个课程中使用的软件。我已经使用和教授机器学习大约30年了。我曾连续两年成为 Kaggle（全球最大的机器学习社区）机器学习竞赛中全球排名第一的选手。此后，我担任了 Kaggle 的总裁兼首席科学家。自从25年前首次使用神经网络以来，我领导了许多以机器学习为核心的公司和项目，包括创立了第一家专注于深度学习和医学的公司 Enlitic（被 MIT 科技评论评为“全球最聪明公司”之一）。

杰瑞米·霍华德

我与 Rachel Thomas 博士共同创立了 fast.ai，也就是这门课背后的组织。在 fast.ai，我们非常重视教学。在这门课程中，我首先展示如何使用一个完整、可用、先进且非常易用的深度学习网络来解决实际问题，使用简单、富有表现力的工具。然后我们逐渐深入，去理解这些工具是如何制造的，以及制造这些工具的工具又是如何制造的，以此类推……我们总是通过例子来教学。我们确保有一个你可以在直觉上理解的背景和目的，而不是从代数符号操作开始。

这门课适合我吗？

之前 fast.ai 的课程已被数十万来自世界各地、各行各业的学生学习过。许多学生告诉我们，他们如何成为了国际机器学习竞赛 (https://towardsdatascience.com/my-3-year-journey-from-zero-python-to-deep-learning-competition-master-6605c188eec7) 的多次金牌得主 (https://forums.fast.ai/t/my-first-gold-medal/54237)，收到了顶级公司的录用通知 (https://forums.fast.ai/t/how-has-your-journey-been-so-far-learners/6480/2)，并发表了研究 (https://ui.adsabs.harvard.edu/abs/2020EGUGA..2221465A/abstract) 论文 (http://www.ieomsociety.org/ieom2020/papers/37.pdf) (https://pubs.rsna.org/doi/abs/10.1148/ryai.2019190113?journalCode=ai)。例如，Isaac Dimitrovsky 告诉我们 (https://forums.fast.ai/t/thanks-ra2-dream-challenge-win/76875)，他“摆弄机器学习几年但并没有真正掌握……去年年底学了 fast.ai 第1部分，突然就开窍了”。随后他在著名的国际 RA2-DREAM 挑战赛 (https://www.synapse.org/#!Synapse:syn20545111/wiki/594083) 中获得第一名！他利用 fastai 库开发了一种多阶段深度学习方法 (https://www.synapse.org/#!Synapse:syn21478998/wiki/604432)，用于对手部和足部类风湿关节炎的放射学关节损伤进行评分。

无论你是否有技术或数学背景（当然有也没关系），我们编写这门课程就是为了让尽可能多的人能够接触深度学习。唯一的先决条件是你会编程（一年经验就够），最好是 Python，并且至少上过高中数学课。

深度学习是一种通过使用多层神经网络来提取和转换数据的计算机技术——应用范围从人类语音识别到动物图像分类。很多人认为你需要各种难以获得的东西才能在深度学习上取得好结果，但正如你在这门课中看到的，那些人错了。以下是一些你绝对不需要的东西，也能做出世界级的深度学习：

你将使用的软件

在这门课程中，你将使用 PyTorch (https://pytorch.org/)、fastai (https://docs.fast.ai/)、Hugging Face Transformers (https://huggingface.co/docs/transformers/index) 和 Gradio (https://gradio.app/)。

我们已经完成了数百个机器学习项目，使用了数十种不同的包和许多不同的编程语言。在 fast.ai，我们曾使用当今主流的大部分深度学习和机器学习包编写过课程。我们花了超过一千小时测试 PyTorch，然后决定将其用于未来的课程、软件开发和科研。PyTorch 现在是全球增长最快的深度学习库，已被用于顶级会议上的大部分研究论文。

PyTorch 作为底层基础库效果最佳，为更高级的功能提供基本操作。fastai 库是在 PyTorch 之上添加这种更高级功能的最流行库之一。在这门课程中，随着我们越来越深入地探索深度学习的基础，我们也会越来越深入地探索 fastai 的各层。

Transformers 是一个专注于自然语言处理（NLP）的流行库，使用transformer 模型。在课程中，你将看到如何利用这个库创建一个尖端的 transformer 模型，用于检测专利申请中的相似概念。

深度学习具有强大、灵活和简单的特点。这就是为什么我们认为它应该被应用于许多学科。这些学科包括社会科学和自然科学、艺术、医学、金融、科学研究等等。以下是深度学习或大量使用深度学习的方法目前在全球范围内表现最佳的一些任务领域列表：

• 自然语言处理 (NLP)：回答问题；语音识别；文档摘要；文档分类；在文档中查找姓名、日期等；搜索提及某个概念的文章
• 计算机视觉：卫星和无人机图像解读（例如，用于灾害韧性）；人脸识别；图像描述；阅读交通标志；在自动驾驶车辆中定位行人和车辆
• 医学：在放射学图像（包括CT、MRI和X光图像）中发现异常；在病理切片中计数特征；在超声波中测量特征；诊断糖尿病视网膜病变
• 生物学：蛋白质折叠；蛋白质分类；许多基因组学任务，如肿瘤正常测序和分类临床可操作的基因突变；细胞分类；分析蛋白质/蛋白质相互作用
• 图像生成：图像着色；提高图像分辨率；去除图像噪声；将图像转换为著名艺术家风格的艺术品
• 推荐系统：网络搜索；产品推荐；首页布局
• 玩游戏：国际象棋、围棋、大多数Atari视频游戏以及许多即时战略游戏
• 机器人学：处理难以定位（例如透明、有光泽、缺乏纹理）或难以抓取的物体
• 其他应用：金融和物流预测、文本转语音等等……

你将学到什么

完成本课程后，你将知道：

• 如何训练出在以下方面取得最先进结果的模型：
  • 计算机视觉，包括图像分类（例如，按品种分类宠物照片）
  • 自然语言处理 (NLP)，包括文档分类（例如，电影评论情感分析）和短语相似度
  • 包含分类数据、连续数据和混合数据的表格数据
  • 协同过滤（例如，电影推荐）
• 如何将你的模型转化为 Web 应用并进行部署
• 深度学习模型的工作原理及原因，以及如何利用这些知识提高模型的准确性、速度和可靠性
• 在实践中真正重要的最新深度学习技术
• 如何从头实现随机梯度下降和完整的训练循环

以下是课程涵盖的一些技术（如果这些术语你一个都不懂也没关系——你很快就会学到它们）：

• 随机森林和梯度提升
• 仿射函数和非线性函数
• 参数和激活
• 迁移学习
• 随机梯度下降 (SGD)
• 数据增强
• 权重衰减
• 图像分类
• 实体和词嵌入
• 以及更多

我该如何开始？

要观看视频，请点击导航侧边栏中的“课程”部分。所有视频都有字幕；观看视频时点击“CC”按钮即可开关字幕。如果你想了解每节课的内容，可以浏览一下我们一位学生（谢谢Daniel！）的课程笔记。这是他第7课笔记 (https://course.fast.ai/Lessons/Summaries/lesson7.html) 和第8课笔记 (https://course.fast.ai/Lessons/Summaries/lesson8.html)。你也可以通过这个 YouTube 播放列表 (https://www.youtube.com/playlist?list=PLfYUBJiXbdtSvpQjSnJJ_PmDQB_VyT5iU) 访问所有视频。

每个视频都与书中的各个章节相对应。本书每一章的全部内容都可以作为交互式 Jupyter Notebook 获得。Jupyter Notebook (https://jupyter.org/) 是使用 Python 进行数据科学最流行的工具，原因很充分：它强大、灵活且易于使用。我们相信你会喜欢它！由于学习深度学习最重要的是编写代码和进行实验，因此拥有一个优秀的代码实验平台至关重要。

我们将主要使用 Kaggle Notebooks (https://www.kaggle.com/docs/notebooks) 和 Paperspace Gradient (https://gradient.run/notebooks)，因为我们发现它们在这门课中效果非常好，并且有不错的免费选项。我们也会在你自己电脑上完成课程的一些部分。（如果你还没有 Paperspace 账号，通过此链接 (https://console.paperspace.com/signup?R=lg6rnx) 注册可获得10美元额度——我们也会得到一些额度。）

我们强烈建议不要在自己的电脑上训练本课程的模型，除非你对 Linux 系统管理以及处理 GPU 驱动、CUDA 等非常熟悉。

如果你需要帮助，有一个很棒的在线社区 (https://forums.fast.ai/c/p1v5/54) 在 forums.fast.ai 上随时准备帮助你。在论坛提问之前，请仔细搜索是否已有答案。