如何評價吳恩達開設的 Deep Learning Specialization 課程？
專項課程鏈接： Deep Learning Specialization
子課程鏈接：
- Neural Networks and Deep Learning
- Improving Deep Neural Networks
- Structuring Machine Learning Projects
- Convolutional Neural Networks
- Sequence Models
8月29日，網易雲課堂官網推出了吳恩達開設的Deep Learning 課程，並且是帶有中文字幕的版本。目前，網易是Deeplearning.ai 在國內唯一的官方合作夥伴。以後，國內用戶可以通過網易雲課堂免費學習完整的Deep Learning 課程內容。
攜手吳恩達，人工智慧微專業重磅發布！ - 網易雲課堂
附張證書截圖吧，week4的練習題，錯過一次，第二次做對也只給了99分… 沒搞懂
--------------
快速完成了該專項的第一門課，加速看完了視頻，做完了 Projects，現在看正常語速都覺得他痴呆了一樣… 就這第一門基礎課簡單說下。
- 整體質量很不錯，簡單易懂又不失理論深度。Ng 的思路真的是好清晰，大牛就是大牛，延續了他上一門 machine learning 的風格，同樣的地方同樣的方式，邊板書邊講課。這個課真的是很適合入門，儘管我學過這些內容了（之前學過 Udacity 的機器學習和深度學習課程），看完也頗有受益，Ng 在有些方面的理解很獨到。
- 除了理論內容外，另一個大亮點就是 Ng 親身傳授他的 code 習慣！細緻到每個參數如何命名，受益匪淺！ Project 裡面的說明也非常詳細，並且從開始就在給你灌輸造輪子的習慣，非常好，特別是對於初學者。
- 採訪很有意思。第一門課只有三個採訪，絕對都是無人不曉的人物了… 神經網路之父 Geoffrey Hinton， 深度增強學習的大牛 Pieter Abbeel 和 GANs 之父 Ian Goodfellow...
- 關於作業形式，這門課的作業放在了 Jupyter Hub 上，在線隨時保存，做完一鍵提交，方便。但不知道後面的課程內容使用 GPU 的話會不會也有相關服務。
放一張 project 的截圖在這裡
Jupyter notebook 一直是我最喜歡的方式，驗證些東西很方便，有時不願開matlab，就直接用Jupyter 計算些東西。另外也有個微軟出的在線 Jupyter， 有興趣的可以試試 Microsoft Azure Notebooks - Online Jupyter Notebooks。
（Hmm, 偏離主題了… 是真的希望這個 notebook 能更普及，曾和 cs 專業的人聊天，他使用 python 居然都不知道 jupyter 的存在，頗為震驚…）
- 關於收費，包月 49 刀，這個價格可以說很良心了…想想現在的遊戲抽卡什麼的。。 另外，這個包月好像是包的 Coursera 上所有的專項課程？這個就真的是良心了…
--------
- 最後，致某位匿名用戶，尊重是自己贏得的，惡意揣測別人的善意並傳播流言蜚語，別人並無此意時，卻先置自己於被歧視地位。真的是好走不送。
2017年9月27日更新：
移除作業的參考答案，感謝@江南
2017年8月13日更新：
已完成現開放的三門課程，添加課程評價、課程內容簡述以及一些輔助材料。
2017年8月9日11點58分更新：
修改了關於課程價格的錯誤，以及具體化了選擇旁聽的方法。
已完成現開放的三門課程:（因為還沒有驗證身份，所以沒有證書）：
一、總體評價：
目前遇到過的新手友善度最高的深度學習入門課程，清晰的授課、詳細的編程作業tutorial以及合理的課程設計，這將會是和他的machine learning一樣成為無痛入門的必選課程。
二、關於課程設計（前三門）：
第一門課教授了基本的網路結構，從基礎的結構到深層的網路結果。第二門課教授了如何提高網路的性能的方法。第三門課講述了在實踐中碰到問題後應該如何思考、如何解決。大部分內容設計都圍繞著：提出問題、給出解決方案、如何實現、以及為什麼可以解決問題的直觀理解。（在最後一個部分會細化上面的內容，把課程的脈絡串起來做一個總結）
三、關於授課方式：
前三門課都是Ng主講，授課過程以板書為主，即使你英文不好，完全可以跟著板書去理解講的內容（就不像有的課程放一張全是內容的PPT，如果聽不懂連講到哪裡都不知道了）。
四、關於編程作業：
編程作業基本上都是基於理論學習的內容的。在前面的作業，使用的都是python+numpy，在最後一次作業使用tensorflow。但是它相比CS231N的編程作業來說友善很多（做過Ng的machine learning 的編程作業就知道了，tutorial詳細程度差不多），基本上只要學過任何一門編程語言都可以很快上手。
tutorial中會將實現中需要用的公式寫出來，同時還會將要用的函數以及它的用法給出來，甚至給出偽代碼。在課前會有內容提要，提醒你需要理解什麼。每學完一部分會提醒你學習了什麼。在每一個內容完成後都會有測試案例，如果測試案例對了，基本就不會出錯了（所以即使旁聽關係也不大）
如下：
內容提要：
詳細的公式：
用到的函數以及函數的用法：
測試樣例（只要匹配上基本就是對的了）：
總結：
一點小貼士：
如果出現卡在某一些測試樣例很久，可以去測試的函數去找找，在裡面輸出一下，看看問題在哪裡。
下面有個testcCases.py就是了。
五、一點可用的輔助資料
1. 前面兩門課跟CS231N的關聯比較大，所以可以參照CS231N的lecture note的相關內容，前天剛好2017 spring的視頻也放出來了，需要深入了解可以看CS231N。
官網： CS231n: Convolutional Neural Networks for Visual Recognition
網易授權課程翻譯： 斯坦福CS231n-深度學習與計算機視覺 - 網易雲課堂
知乎授權筆記翻譯：賀完結！CS231n官方筆記授權翻譯總集篇發布
youtubu：Youtubu CS231n spring 2017
相比而言，CS231N的編程作業難度會比這個大一些，喜歡挑戰的朋友可以繼續學習一下。
2. Ng前段時間的書《Mahine Leanring Yearning》第三門課基本就是照著這本書的脈絡來寫的，但是這本書在前段時間還只出了一部分，可以看下前面的部分。
3. 與課程相關度不是特別大的，知乎有很多答案都有，在這裡就不寫了。
--------------------------------------------------（分割線）---------------------------------------------------------
以下為原答案：
2017年8月9日11點58分更新：
修改了關於課程價格的錯誤，以及具體化了選擇旁聽的方法。
以下內容主要是關於課程的基本情況，包括課程設置、收費情況、如何選擇旁聽、旁聽的許可權以及對於課程的初步了解，更深入的內容在看完之後再修改。
有五門課程，前三門已經開始，後兩門還要過幾周才開始。
具體內容：
（來自機器之心對Ng的專訪，鏈接在文末）
網站上的課程設置如下：
和coursera上的其他專項一樣都是要收費的，整個專項的價格是49刀每個月，
可以七天免費試用，也可以對每個課程分別選擇旁聽。
免費試用需要填一些付費方式，過了七天需要退課，否則自動扣費。
旁聽需要每門課程單獨選擇，在專項課程的頁面是沒有旁聽選項的：
它需要一門課一門課地註冊，例如要旁聽第二門課，則需要搜索第二門課，
進入對應的課程中：
點擊註冊，這裡就會有旁聽的選項了：
旁聽所有視頻資料都可以訪問，概念題可以看到題目，但是無法提交：
課程感覺相對偏於實踐，就從第一門課來看，一共四周內容，有三個必選編程作業，一個可選編程作業，
編程題目是基於python3的，用的是coursera的notebook：
有一部分的可選編程題目可以提交，評分:
還有一部分列入評分的編程作業，可以查看內容，完成內容，但是提交之後不會評分：
比較有趣的是每周都會有一個嘉賓的訪談，長短不一，例如第一門課第一周就是hinton，40分鐘：
參考：
機器之心關於課程對Ng的專訪：機器之心專訪吳恩達，深度學習課程項目Deeplearning.ai正式發布
coursera鏈接：Deep Learning | Coursera
七夕節花了一晚上寫了兩個week 的作業，從我現在的角度來看。 這個Deeplearning 的課還是比較簡單的， 一是因為Andrew 深入淺出講的好， 二是因為 Python 人性化。
之前上過Andrew Ng 在coursera 上的 ML 課程， 也上過Andrew Ng 在Stanford的 CS229，Li Feifei 的CS231。
難易程度從簡單到難分別是 coursera ML &< cousera DL & 推薦的學習順序是coursera ML 和 CS229 一起看， 看229 的視頻，做Coursera ML 的作業。 看完以後 先看 CS231 再看 Coursera DL 。 視頻講解方面大學課程會比Coursera 豐富很多， 所以建議先看大學課程的視頻。 不是說大學視頻一定比Coursera 好，只是Coursera 和與大學的課程的側重點不同。 大學課程講解的內容會廣一點， 會講很多推導，從頭到尾講出個所以然。 但cousera 不同， 他重點在於應用。他的側重點不是讓學生知道為什麼要這樣做，他只是告訴學生你這樣做，就能行。 課後的Python 作業是整個課程的亮點，他不但教你怎麼做DL，還教你很多優秀的編程習慣。 一句話評價：這是一個適合所有想要入門的人的課程。
作為吳恩達原來那門機器學習課程字幕組的成員和組長，也作為一個慕課愛好者和追隨者，我一直期待吳恩達能開一門新課講深度學習。如今終於來了，熟悉的聲音，熟悉的筆跡，熟悉的上課模式。一口氣聽完了第一門課的一半內容，雖然很基礎，而且跟以前那門課有很多重疊，但是聽過仍然會有新的收穫。
簡單來說說自己的感受。吳恩達的課程，簡單總結一下，輕鬆、親切、實用。聽他上課，首先是他會用手寫筆寫寫畫畫，這比對著屏幕照著念的好多了。其次，他的英文雖然很流利，但是由於沒有口音而並不是很難聽懂。最主要的一點是，Ng會經常的講一些非常基礎的知識，即使是簡單的符號表達，數學推導，他也會不厭其煩的講清楚。並且會安慰你告訴你如果聽不懂也沒有關係，這不重要，後面還會提到的，等等，這讓聽眾從心理上克服了困難，覺得很親切。
還記得在原來那門課中講到反向傳播時，Ng說，你們也許覺得反向傳播演算法很難理解，不知道在幹什麼，沒有關係，這都是正常的，即便是我，工作了好多年了，猛然想起反向傳播的時候也一時摸不著頭腦，所以你完全不必擔心，我們後面還會再幫助大家理解的。這樣說讓學生聽到以後會覺得很寬慰，不僅增強了信心，而且對後續的課程會更加期待和認真。
在我看來，教育是傳授知識，這是一個雙向的過程，很多老師只會單方面傳輸，卻不管學生是否有接受。Ng在慕課上很好的做到了授人以漁。在很多問題上，Ng的課程內容也許並沒有那麼難懂，也似乎並未涉及過深的理論，但是卻非常實用。他會以他的經驗，用最簡單的語言告訴你怎麼少走彎路。這些也許是一個從業者非常需要的寶貴的財富。從這個角度上講，上他的課是會很有收穫的，而且是跟別處不一樣的收穫。
總體來說，我會繼續堅持聽完五門課，也會考慮購買認證表示支持。唔，= =被邀請了，就是想聽集智和吳恩達這個課程的區別是吧。
作為國內AI在線教育競品---景略集智（https://jizhi.im）的聯合創始人COO，簡單說幾句。
價格上：吳恩達的五門課 七天免費試用，結束試用後每個月333元人民幣（註冊單個課程是可以旁聽的，旁聽也是免費，只是不能做作業而且沒有證書）。除了貴一點（333塊可以買我站全部課程了----集智課堂 hhhh，我們試聽還是完全免費的，而且提供在線解釋器，可以線上寫代碼運行），覺得其他的都不錯，這個價格不親民，不過可以理解，畢竟主要面對全球的學生，而不是針對中國人訂製的，付得起的又感興趣的建議購買。
質量上：吳恩達當初做的ML課程不知道成了多少人的ML入門課程，就好比學修摩托車第一個帶你入行的師父，他的課程對整個行業是很有意義的。集智把國內有頭有臉工作十年二十年的ML、DL老工程師請來也肯定比不上吳恩達的學術成就（工業上我們這邊BATMJ等等老工程師還挺多的，但是也不是一個水平的）。集智是針對就業，讓普通人純小白學到工業級別能用的水平（當然這個需要一個過程，我們明顯不是市面上速成培訓機構的模式，也不會給任何包就業的承諾，但是會提供一些實習崗位免試直接帶著做工業級項目），吳恩達是針對學術性研究入門的，更偏通識類（儘管新課加了一點點的project），這個人就是個ML教育里的牌子，水平是高手裡的高手，我要說他的課沒集智的好肯定是我在吹牛。
交互上：景略集智集成了在線解釋器，Coursera一樣，五五開。但是我們課程的作者都是要求親臨現場回復，解答疑問的。吳恩達不可能有時間天天回復你們的問題的。集智可以。
語言上：在知乎說自己英語不好肯定會被質疑----「你連個公開課水平的英文都看不懂？你還是別寫代碼了」，但是就有英語不太好的想入門靠這個生存的，畢竟AI時代。Coursera說到底是個全球性質的平台，針對的是全球的學生，必定是英文教學。而集智是中國特色的AI類教育，語言上集智肯定更好，這個比機翻強，這句話我可以放在這裡的。我們的老師目前清一色的是國人，這個是集智的優勢，語言更友好，授課思維更偏向國人思維模式，吸收率高。
門類上：景略集智目前有自然語言處理課程（nlp），吳恩達沒有。馬上有數字圖像處理和視覺課程，nlp新的課程，吳恩達沒有。說到底吳恩達的是基礎性質課程，加了少量project給你練手，還是過去的Coursera模式，知識更新了。景略集智是「搶籃板，運球，過人，上籃」的一條龍模式。我們專業性，針對性更強。
綜合以上：
中文環境：
有錢的：集智課堂 和 coursera上吳恩達的課程可以一起上，感受下中西兩種DL學習模式的區別。
沒錢的：可以來試聽一下看看 深度學習的理論基礎 - 集智課堂 ，反正我們試聽永久免費，一次購買終身使用，不玩虛的時間段性質付費。
英文環境：
吳恩達。
我覺得我是有一說一了。
從公布的消息來看，NG深度學習的系列課程內容，側重於深度學習的實際應用。鑒於此前NG機器學習課程180萬人的觀看量，此次的深度學習應該是有過之而無不及，目測在接下來的一段時間裡，NG深度學習系列課程堪稱為人工智慧領域的「戰狼II」。
中科院自動化所畢業博士生們建立了「吳恩達深度學習課程公益交流群」，現在1群已滿，2群即將滿員，需要添加「 shenlan-college 」的微信號，拉你入群了。
群里不僅邀請了圖森未來、商湯科技等知名人工智慧企業的負責人，還邀請了國內人工智慧知名專家，以及中科院自動化所研究員、博士生等參與課程交流討論。
比如，群里有人工智慧大牛焦李成老師坐鎮。
焦老師，中國人工智慧學會副理事長、智能感知與圖像理解教育部重點實驗室主任、國際智能感知與計算研究中心主任。
今天下午花了3個小時看了前2周的課程，不禁感嘆，越是專業的人越可以把一個複雜的東西簡單的解釋清楚。我還在想要不要趁免費的7天時間裡把course都看完(笑
吳恩達老師在6月份預告的Deeplearning.ai項目終於啟動，你覺得驚喜嗎？
吳恩達，這個名字最近一次引發媒體和公眾極大關注，是今年3月22日，身為百度首席科學家的吳恩達宣布離職百度，引起媒體圈和科技圈的刷屏。
如果要用最簡單的話介紹吳恩達，可以這麼說：人工智慧核心技術深度學習四大天王之一，有他；參與創建全球最大的「神經網路」——谷歌大腦，有他；百度人工智慧戰略的首席架構師，曾負責百度大腦，孵化出了無人駕駛、DuerOS語音交互等讓百度復興的AI應用技術，是他。是的，是他是他還是他，吳恩達是人工智慧和機器學習領域全球最權威的學者之一。簡而言之，深度學習大神。
四位深度學習大神，圖片左起分別是：facebook AI實驗室負責人Yann LeCun、 google AI團隊領軍人Geoffrey Hinton，微軟的人工智慧研究顧問Yoshua Bengio、最右是吳恩達。
6 月 23 日，離職百度92天後，吳恩達宣布新一步動向——創業，創建一家名為Deeplearning.ai的公司，從公司域名可以看出，這是一家專註深度學習的AI公司。
今日，
Deeplearning.ai 項目正式發布，揭開神秘面紗。與目前炙手可熱的無人駕駛等AI創業項目不同，吳恩達表示：Deepleanring.ai 是一套教育課程。
前兩天不是有新聞嗎？Facebook高管因擔心機器人接管世界，辭職隱居。前陣子馬斯克的「AI末日論」還停留在嘴皮子的互懟，Facebook高管付諸的行動直接就把人工智慧高潮了！
被媒體們熱炒的人工智慧，眼瞅著就要敲掉人類飯碗，威脅人類未來，主宰人類社會。到了AI泰斗吳恩達發布的最新項目Deepleanring.ai，卻又變成了枯燥乏味、束之高閣的培訓課程，期望值是不是驟然涼了半截？
吳恩達用科學家特有的平靜語調介紹Deepleanring.ai項目：「讓深度學習社區發展壯大的最好方式就是創造更好的深度學習課程，讓越來越多的人接觸深度學習。在 Deeplearning.ai，我們致力於讓更多人能夠獲得有關機器學習的課程。」
如果把人工智慧比喻成未來的都市，那麼現在人們對人工智慧的認知就像貧瘠的小山村，再窮不能窮教育，再苦不能苦孩子，先得把義務教育給跟上。從這個角度來看，吳恩達的Deepleanring.ai項目無疑是前瞻和務實的，通過教學解決人工智慧未來的發展。
如果說預言未來AI機器人將威脅人類，那麼，此刻最該武裝的不是別的，而是人類的大腦——學習人工智慧知識，以迎接AI技術的挑戰。
吳恩達樂意把AI 比喻成新電力，「相信人工智慧將在未來改變各行各業，全世界就需要數百萬具備深度學習知識的人。」
Deeplearning.ai 的課程包含視頻講解、練習和擴展閱讀，將放在 Coursera平台。Coursera是吳恩達創建的大型開放式網路課程平台，在2012年，吳恩達生日那天正式上線，吳恩達的機器學習講課視頻作為最早的課程被放到Coursera，訪問量爆表。
吳恩達表示並不打算把Deeplearning.ai 做成一家創業公司，追求商業並非項目方向。「我想斯坦福的學生樂於開源自己的軟體、公開論文、分享自己的成果，這正是基礎的研究精神。」
吳恩達之前的機器學習課程——也是全世界最熱門的機器學習課程，目前已經惠及了超過 180 萬人。
人工智慧的競爭歸根到底是人才的競爭，中美人工智慧產業的競爭尤其表現在基礎研究人才的競爭。據報告，美國在人工智慧領域的研究者更關注基礎研究，人工智慧人才培養體系紮實，研究型人才優勢顯著。美國產業人才總量約是中國的兩倍。
目前很多 Coursera的伺服器在國外， 吳恩達表示正在積極尋求與國內的合作，近期還將訪問國內，期待在未來將這些課程推廣給更多國內學生。
Deepleanring.ai是吳恩達今天發布的三大項目之一，另外兩個項目則有關人工智慧產品，但他目前未透露更多細節。
現在已經刷了第一門《神經網路和深度學習》，每學習完一周的課程，就做相應的課後檢測和課後編程作業，收穫很大。
早在前半年的時候刷了吳恩達老師在Coursera上的《機器學習》，課程講的很棒，雖然課後作業是基於matlab的。學習了也有一段時間了，也看了如《統計學習方法》《機器學習實戰》《機器學習》（周志華西瓜書）等一些書，但總覺得對於機器學習、深度學習這塊沒有較為系統的知識體系。
對於吳恩達老師的 Deeplearning.ai 這一系列的課程，自從其在Coursera上開課以後，網上的評價和關注都特別高。在我僅刷完了第一門《神經網路和深度學習》包括獨立課後作業，對邏輯回歸神經網路等相關知識的認識真正感覺到又上升了一個層面。在我們自己看書或者其教程中可能會忽略或者講不清楚的重要的小細節往往會被講授者或者我們自己忽略，但是吳恩達老師卻講解的相當到位，其對於公式的推導和講解也能做到讓大家較為容易的理解。大師不愧是大師！
對於第一期的課程，每一課重要的知識點部分我都做了相應的筆記，還有相應的編程題。
這是我做的筆記：
吳恩達 DeepLearning.ai 課程提煉筆記（1-3）神經網路和深度學習 --- 淺層神經網路
一方面為了作為方便自己經常學習查閱，一方面也為了和大家一同分享學習的精髓，便在知乎專門開設了吳恩達老師深度學習課程的學習筆記專欄，所有筆記文章都在裡面。歡迎關注，一同學習，一同進步呦。^_^
2017/8/914:43更新:
視頻有英文字幕，訪談視頻目前還沒有英文字幕。
----------------
----------------大概上瀏覽了一下，主要是深度學習實踐，對線代和概率論的知識要求不是特別高，這個課程的一大特色就是不光普及了知識，還邀請到了領域內的一些大牛比如geoffrey hinton，研究新星Ian Goodfellow,Andrew Kaparthy,每一周的課程最後基本都會邀請，講述自己從事人工智慧的經歷和背後的故事。ng確實做了不少的努力啊！另外，視頻還沒有字幕，渴望第一手材料的小夥伴們快來翻譯呀~
利益相關：長期白給Coursera錢的選手。
########2017年08月11日分割線########
剛剛突擊看完了第一門課。
可能是，
世界上現存的講的最清晰的深度學習入門教程！
世界上現存的講的最清晰的深度學習入門教程！
世界上現存的講的最清晰的深度學習入門教程！
########2017年08月11日分割線########
看到開課了就註冊了。簡單過了一下內容，比起其他入門的課，比如hinton的課和cs231n，還是要簡單友好不少。配套的編程作業做一做，對理解神經網路還是很有幫助的。
儘管最後兩門課還沒放出來，不過目前來看，這是一套實用向、入門向、科普向的課。
鑒於之前machine learning的大火，這套課估計也會成為deep learning的入門必備。
我個人是喜歡這種教育方式的，deep learning也不是什麼高大上的東西，先讓人了解個大概，玩玩試試爽一發，後面自然就入了坑了。
不過感覺這回我大概也就是註冊一發，繼續給信仰充值了。（逃
1.繼承了ML課程的風格，對新手非常的友好，即使不是科班出身學習也不會有大問題。
2.講了很多工程上面的細節，比如第三門課的東西在教科書裡面似乎不會怎麼提到，但對自己訓練大型神經網路會很有幫助。
3.基本沒有很數學的東西，想繼續提高的話可以自學Goodfellow那本書。
Andrew Ng的深度學習走了和他的機器學習課程一樣的路線，課程沒有花太多時間在介紹深度學歷的理論上面，而是著重介紹如何用深度學習演算法來解決現實中的問題。另外，課程還提供了傻瓜式的編程練習和作業，手把手教你如何上手。
課程本身很好，吳教授講的也很好，不過想吐槽一下教授的英文發音，剛開始聽著有點不習慣，幾節課下來居然習慣了，現在還覺得挺有特色的另外，課堂上寫程序時候的界面有點小，代碼看的不是不清楚，不知道有沒有人跟我有同感？
昨天網易雲課堂上線了吳恩達的授權課程，重點是有中文字幕，還是免費的，真是良心了！