5 min read

開源深度學習課表

現在 AI 這麼夯，打開新聞不是 ChatGPT 就是各種生成式 AI，你是不是也想「入坑」深度學習（Deep Learning），卻發現網路上的資源多到像海嘯一樣，讓人還沒開始就想放棄？

別慌！學習是有分階級的（打怪也要先從史萊姆打起對吧？）。與其在茫茫網海中迷路，不如直接跟著頂尖大學的「開源課表」走。這些來自學界和業界「大神」們佛心分享的教材，含金量絕對比外面許多付費課程還高！這份清單是為了想要認真（沒錯，不是只有沾醬油）研究這個領域的人準備的。我們從最基礎的數學蹲馬步開始，一路練到最新的論文閱讀。準備好了嗎？讓我們開始這趟「練功」之旅吧！

第一階段：數學與機器學習基礎（先別急著關視窗，這是基本功！）

很多人看到數學就想逃，但相信我，地基打不穩，蓋出來的 AI 模型只會是危樓。

  1. 線性代數 (Linear Algebra)MIT Linear Algebra (Gilbert Strang): ocw.mit.edu推薦理由： 這絕對是經典中的經典！Strang 爺爺講課非常風趣，這門課不僅會給你扎實的數學底子，還會教你 FFT（快速傅立葉變換）和 SVD（奇異值分解）這些跟機器學習息息相關的工程應用。
  2. Coding The Matrix: codingthematrix.com推薦理由： 如果你是「工程師思維」，覺得看公式想睡覺，這門課超適合你！它教你用 Python 來學線性代數，邊寫 code 邊學矩陣，實用度滿點。
  3. 統計學 (Statistics)Probability Theory and Mathematical Statistics (PennState): Onlinecourses.science.psu.edu推薦理由： 這裡的講義非常詳盡，從入門到研究所等級都有。沒有落落長的影片，適合喜歡閱讀文字、想要 2-3 小時快速複習基礎的人。
  4. Computational Probability and Inference (MIT/edX): www.edx.org推薦理由： 這是硬派一點的選擇。你要寫程式來處理「不確定性」並進行預測。這是搞懂貝氏定理（Bayesian thought）和機率模型的好機會。
  5. 最佳化理論 (Optimization)Optimization Algorithms in Machine Learning: Videolectures.net推薦理由： 搞懂「梯度下降」（Gradient Descent）是做 AI 的基本常識。這門課會幫你把這些地基打好。
  6. Stanford EE364A - Convex Optimization I: see.stanford.edu推薦理由： 雖然神經網絡（Neural Networks）通常是「非凸」（Non-convex）的，導致找不到全域最小值（Global Minimum），但學好凸優化能讓你對這些問題更敏感，是進階必修！

第二階段：機器學習核心概念 (Machine Learning Fundamentals)

地基打好了，可以開始學蓋房子了。

  1. Learning From Data (CalTech): www.edx.org小編點評： 這門課雖然理論較多，但這對理解「偏差-變異權衡」（Bias-Variance Tradeoff）和「過擬合」（Overfitting）超級重要！雖然大家都推吳恩達（Andrew Ng）大神的課，但這門課能讓你少走很多觀念上的彎路。
  2. Mathematics of Machine Learning (MIT): ocw.mit.edu推薦給： 數學控，或者是需要快速複習數學原理的老手。
  3. Information Theory, Inference, and Learning Algorithms (David MacKay): www.inference.phy.cam.ac.uk必讀聖經： 想知道為什麼 Loss Function 要用 Cross Entropy？這本書會告訴你答案。它從資訊理論的角度切入，而且網路上有免費 PDF 可以下載（真的是佛心來著）。

第三階段：深度學習 (Deep Learning) - 重頭戲來了！

這裡的技術更新速度快到像坐雲霄飛車，但以下這些課程都是經過時間考驗的「神級」資源。

  1. 入門必看Neural Networks for Machine Learning (Geoffrey Hinton): www.coursera.org大神駕到： 這是深度學習教父 Geoffrey Hinton 在 Coursera 上的經典課程。雖然內容有點年份，但能聽到大師親自講解觀念，那個啟發性是無可取代的。
  2. The Deep Learning Book: www.deeplearningbook.org簡稱「花書」： 這本教科書被譽為深度學習界的聖經，全面且深入，案頭必備。
  3. 視覺與應用 (Computer Vision)Stanford CS231n: Cs231n.stanford.edu超級推薦： 這絕對是目前網路上最棒的深度學習課程之一！由李飛飛（Fei-Fei Li）和 Andrej Karpathy 等大神授課。想搞懂卷積神經網路（CNN）和圖像識別？看這門就對了！上完你會感覺功力大增。
  4. 自然語言處理 (NLP)Stanford CS224d: Cs224d.stanford.edu文字控必修： 這是 Richard Socher 的名課，專注於讓 AI 看懂人類語言。課程中的 Word Embedding（詞嵌入）章節非常精彩。
  5. 進階與生成式模型Differentiable Inference and Generative Models (University of Toronto): www.cs.toronto.edu想玩 GAN 看這裡： 如果你對生成對抗網絡（GANs）和變分推斷感興趣，多倫多大學的這門課涵蓋了許多酷炫的新技術。

第四階段：讀論文 (Papers) - 成為大師的最後一哩路

最後，想要跟上時代，光看書是不夠的，你得學會讀 Paper。 GitHub 用戶 songrotek 整理了一份超強的「深度學習論文閱讀路線圖」，幫你把歷史上重要的論文都整理好了。

Roadmap 傳送門: github.com/songrotek/Deep-Learning-Papers-Reading-Roadmap總結學習深度學習是一場馬拉松，不是百米衝刺。這份課表雖然看起來很硬，但只要按部就班，絕對能讓你從「小白」進化成能獨當一面的工程師。大家加油！願 GPU 運算力與你同在！

Kevin