新智元整理
機器學習是發展最快，最令人興奮的領域之一，而深度學習代表了它的真正的前沿。在這門課程中，你將深入瞭解深度學習的動機，並設計從複雜和/或大規模數據集中學習的智能系統。
課程將展示如何訓練和優化基本的神經網絡，卷積神經網絡和長短期記憶網絡。TensorFlow的完整學習系統將通過項目和任務進行介紹。你將學習解決曾經被認為具有挑戰性的新類別的問題，並且可以在使用深度學習方法輕鬆解決這些問題的同時更好地瞭解人類智能的複雜性質。
這門課程由Udacity和谷歌首席科學家、谷歌大腦團隊的技術負責人Vincent Vanhoucke一起開發。
**注：這是作為機器學習工程師納米課程項目的一部分提供的中級到高級課程。課程假設學員已經學過機器學習的第一門課程，而且至少熟悉有監督的學習方法。
課程價格：免費
課程時間：約3個月
技能水平：高級
課程內容
第1節：從機器學習到深度學習
你將學習：
瞭解深度學習的歷史背景和動機。
建立一個基本的監督分類任務，並對其進行黑箱分類。
手動訓練一個邏輯分類器，並使用梯度下降（和隨機梯度下降）。
內容：監督學習、用於檢測的分類、用於評分的分類、訓練邏輯迴歸分類器、softmax模型、One-Hot編碼、交叉熵、正則化輸入與初始權重、過擬合與數據集大小、最優化、隨機梯度下降法、動量法、超空間參數
第2節：任務1：notMNIST
第3節：深度神經網絡
你將學習：
訓練一個簡單的深度網絡：Relus、鏈式法則、反向傳播。
有效地正則化一個簡單的深度網絡，L2 正則化和dropout。
通過模型探索和調參訓練一個有競爭力的深度網絡。
在本節中，你會學到如何用 TensorFlow 構建多層神經網絡。之前你應該瞭解，在網絡裡面添加一個隱藏層，可以讓它構建更復雜的模型。而且，在隱藏層用非線性激活函數可以讓它對非線性函數建模。
內容：雙層神經網絡、TensorFlow ReLUs、參數數量、線性模型、神經元、鏈式法則、反向傳播、SGD、訓練一個深度神經網絡、正則化、Dropout
第4節：卷積神經網絡
你將學習：
訓練一個簡單的卷積神經網絡
探索卷積網絡的設計空間
內容：卷積網絡、統計不變性、特徵圖、卷積、Inception模塊、ConvNets
第5節：文本和序列的深度模型
你將學習：
使用Word2Vec等模型訓練一個文本嵌入模型，使用tSNE降低空間的維數。
訓練一個LSTM模型，並對其進行正則化。
內容：文本嵌入模型、模糊語義、非監督學習、嵌入、Word2Vec、tSNE、類比、CBOW、不同長度的序列、RNNs、反向傳播時間、梯度消失/爆炸、LSTM、記憶單元、Beam搜索
第6節：軟件和工具
第7節：開發一個實時攝像頭應用
目標:開發一個實時攝像頭應用，使之能識別現實圖像中的數字。
描述：在該項目中你需要訓練一個模型，使它能夠識別出現實圖片（如街景照片等）裡的數字序列。同時你需要開發一個應用，它能實時顯示攝像頭看到的圖片裡的數字序列。你可以選擇使用如下方式完成該項目：Python Script 文件、網頁應用／服務或是安卓應用（強烈建議）。
課程主頁：https://www.udacity.com/course/deep-learning--ud730
點擊閱讀原文可查看職位詳情，期待你的加入~