春节刚过，先来学点简单的。
越是入门的课程，可能越不好讲。
在深度学习领域，我们可以检索到各种各样的入门课程，但真正能让人「入门」的可能没有几个。
在为数不多的「真 · 入门」课程里面，MIT 的《深度学习导论（6.S191）》着实值得一提。最近，这门课程的更新又引起了新一轮的围观，刚放出几天的视频已经有了 7 万多的点击量。
这种强大的号召力离不开该课程在过去几年所积累的口碑。自开课以来，数千名学生、数百万线上学习者已经从中受益。
有人甚至称赞说：「在现有的课程里面，这绝对是最好的深度学习入门课程之一。」
从各方反馈来看，它的「好」主要体现在以下几个方面：
1. 门槛不高。部分学生表示，这门课程不需要你有多深厚的基础知识，也不需要精通 Python，很多非计算机科学领域的学生也能受益匪浅。
2. 老师的讲解通俗易懂，而且 PPT 制作非常用心。知乎用户 @石刁柏 Asparagus 表示，「这门课程制作的 PPT 是我见过最简洁、最清晰的。PPT 里把每个公式、步骤写成最完整的展开形式，并配图，而不是甩出一个个初学者很难直接理解的简化缩写公式。」而且，「课程讲解过程中会把公式和 TensorFlow 的具体代码相结合，具体到每一步操作。」
由于课程着实优秀，有学生表示：「两个月前就把小板凳搬好了」。
目前，2021 版的新课已经放出了部分视频和 PPT，大家可以去课程主页获取相应资源。
https://v.qq.com/x/page/h322800n1ab.html
课程主页：http://introtodeeplearning.com/
这门课讲了啥？适合哪些人？
MIT《深度学习导论》是一门入门课程，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 搭建神经网络的实战经验。
这门课程包括 lecture、Software Lab、Paper review、Final Project 等多个环节。
其中 lecture 共有 12 讲，涵盖了深度学习的基础知识与多个应用领域：
深度学习导入
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
局限性与新领域
Evidential 深度学习
偏见与公平
信息提取学习
解决数据集偏见
3D 内容创建
AI 医疗
此外，该课程设置了三次 Software lab 项目，即使用 TensorFlow 框架的实践操作练习。学生可以使用 Google Colab 中的 iPython notebook 进行操作，通过实践在 TensorFlow 中实现神经网络。
详情参见 GitHub 地址：https://github.com/aamini/introtodeeplearning
虽然门槛相对较低，但这门课程还是需要学生掌握最基本的线性代数和微积分知识，如矩阵相乘、求导、链式法则的运用等。Python 技能对上课有帮助，但并非必需。总体来看，该课程对新手非常友好，参加该课程的很多学生都来自非计算机科学领域。
除了学生之外，部分老师也会将这门课作为教学辅助材料。为了避免版权纠纷，MIT 给出了明确的引用规定：
主讲人是谁？
Alexander Amini
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。
个人主页：https://www.mit.edu/~amini/
Ava Soleimany
另一位主讲者 Ava Soleimany 是哈佛生物物理学博士，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。
个人主页：https://www.mit.edu/~asolei/
参考链接：https://zhuanlan.zhihu.com/p/340429450?utm_source
百万级文献分析，十万字深入解读