如何评价主流AI在线课：吴恩达获五星好评，斯坦福课程最全
更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）
相信各位读者已经见过了品类繁多，让你眼花缭乱的人工智能在线课堂，对于刚入行的小萌新来说，这么多花花绿绿的在线课堂，怎么选择是个大问题。于是乎，在被称为“创业公司新兵训练营”的Y Combinator论坛上，一群技术“老炮儿”开帖对主流在线课的质量展开了热烈讨论，大家推荐了不少经过亲身实践选出的优秀AI在线课程，我们从数百条留言评论中为你精选了部分优秀课程，希望可以帮到你。
按照惯例，先附上论坛的链接：
https://news.ycombinator.com/item?id=16745042
帖子中的讨论涉及到了：吴恩达的公司 Coursera 出品的在线课、斯坦福大学在线课、伯克利大学在线课等等，根据我们的整理：目前吴恩达出品的在线课获得了几乎全场一致的好评，甚至有人用 Nicest（最好的）来评价他的课程。
同样的，Coursera 的课程在所有的的讨论中评价是最高的，很多人认为这里的在线课覆盖门类广泛，课程有水平有深度，五星好评，非常推荐。
不过这些极客们似乎还不满足于计算机领域，有不少人参加了 Coursera 出品的 Songwtiting 歌曲创作课：
甚至还有不少人学习了金融、建筑、绘画等等艺术门类的在线课。大概这就是人们所说的一专多能吧，学霸的世界就这么神奇。
话题拉回到我们今天的主题上：我们整理了从计算机基础入门到算法基础，再到人工智能、机器学习等一系列的课程，并给出了推荐理由，让各位读者在选择课程的时候能够一目了然，想学哪一门，按照我们的推荐去学就好了。当然，如果你想从头开始，那么按照我们给出的路线从零开始，只要你肯学，相信你也可以从萌新很快蜕变成 AI 老炮儿！
课程链接：
https://www.coursera.org/learn/progfun1
授课语言：英文
推荐人数：8
推荐理由：任何对 Scala 感兴趣的人都可以尝试的一门课。网友认为这个课程稍微有点难度，但是“让一门语言的创造者来亲自教授这门语言的课程，给我提供了原本无法得到的见解。”另一位网友认为这门课程“非常惊人，需要强烈推荐，它显示了 Scala 的设计投入了多少精力和技巧。还有一个额外的福利是：Martin 说话和阿诺施瓦辛格很像，你感觉就像‘终结者’在给你上课。”
课程链接：
https://www.coursera.org/learn/programming-languages
授课语言：英文
推荐人数：5
推荐理由：有网友认为这门课是他所学过的最好的一门在线课程，改变了他学习新的编程语言的方法。
另一位网友分享了学习这门课程的亲身体会：“对我来说，在这门课之前，学习一门编程语言是一个机械过程，先学习语法，再学一些习惯用法，诸如此类。但是在学完这门课之后，我开始将每种语言作为一组特性来学习，从而打开了一个全新的世界。例如，在学习一门新语言时，你要先找出最感兴趣的特性，然后找出该语言如何使用这个特性。例如，一种语言是否支持抽象数据类型，它支持什么样的编程模式，它是命令式的还是函数式的，懒散的还是严格的，它是否应该作为一堆语句或表达式使用，常见的习惯用法是否可以实现为简单的语言函数，或者我需要该语言的内部支持等等，它是否支持 lambdas，它是否执行词汇绑定或动态绑定等等。本课程还将介绍 ML、Racket 和 Ruby，并通过这些概念逐步向我们展示这些概念，同时解释当你放弃一种范式而转向另一种范式时，如何去权衡利弊。
因此，课程结束后，下次你再打开任何语言的初学者指南时，就会自动去寻找哪些高层级问题的答案，并在学习使用这些“概念”时，自动学会所需要的语法。”
课程链接：
https://www.coursera.org/specializations/algorithms
授课语言：英文
推荐人数：4
推荐理由：“这门课无疑对我思考算法的合理性有很大帮助。”“这是我学过的最好的算法课程之一。我喜欢讲师介绍新概念及概念背后的直觉的方式。”
课程链接：
https://www.coursera.org/learn/algorithms-part1
https://www.coursera.org/learn/algorithms-part2
授课语言：英文
推荐人数：3
推荐理由：不仅可以帮助你不断更新算法的认知，而且可以作为更好地理解复杂公式的一种方式。
课程链接：
https://lagunita.stanford.edu/courses/DB/2014/SelfPaced/about
授课语言：英文
推荐人数：5
推荐理由：有网友将这门课程评价位“组织得最好的在线课程”，“讲座中所有的内容都是相关的，所有内容都会在习题中应用和测试，习题很多（但如果你不持续使用这些技术，这些习题依然不足以让你永远记住 SQL、XPath、XQuery 和 XSLT），每周的家庭作业会从简单逐渐展开到中等难度，Web 环境设计良好，提供了极好的反馈并能够指导你正确地回答问题。”
另一位网友则表示“我在 2011 年学习了本课程，但直到 2014 年才真正需要使用数据库。上了这门课三年后，我依然能熟练地使用 Mongo、Sqlite、Firebase 等数据库。至少我可以说，这门课程真的帮助我将数据库概念内化了。本课程可能不是特别困难，但包含的挑战也足够让你获得持久的技能。”
课程链接：
https://work.caltech.edu/telecourse.html
授课语言：英文
推荐人数：3
推荐理由：本课程的最大卖点是，它几乎与加州理工学院的在校学生在校园里学习的课程一模一样。唯一让人觉得有点失望的是课程作业采用的是多项选择题，这样一来作业就可以进行自动评分了。
课程链接：
https://www.coursera.org/specializations/probabilistic-graphical-models
授课语言：英文
推荐人数：3
推荐理由：有网友将这门课评价为“最有趣的在线课程”，虽然第一次上课感觉有点艰难，需要花不少精力将讲座的内容应用到作业中。另一位网友认为“这个专项课程的第一门课程有一个非常好、非常引人入胜的开头，但是在那之后讲座和习题之间很快出现了巨大的鸿沟（也许这就是为什么作者吹嘘这是一门充满挑战性的课程，而不是针对每个人的）。PGM 是解决很多机器学习问题的有力工具，但确实难度较大，据一位网友说”在斯坦福，学生们只要能通过 PGM 考试都高兴坏了“，大家量力而行。
课程链接：
https://www.coursera.org/learn/machine-learning
授课语言：英文授课，中文字幕
推荐人数：11
推荐理由：网友“sampo”将这门课列为最好（Nicest）的一门在线课程，“主题很有趣，课程材料规划周密，很好地避免了深入数学细节，但仍然能够让广大听众对于课程主题理解透彻。”另一位网友表示通过学习这门课，他第一次真正搞明白了神经网络和反向传播到底是怎么回事。
不过也有网友认为这门课唯一的缺点是，一部分课后项目和内容太过简单，很容易就能做对，对于一些需要深入挖掘的内容有点过于浮于表面了。这位网友最后转而选择优达学城（UdaCity）的机器学习课程，在那里可以接触更有深度的项目，而且能够跟虚拟同学讨论问题，虽然价格比较贵，但他认为物有所值。
课程链接：
https://www.coursera.org/learn/neural-networks
授课语言：英文
推荐人数：2
推荐理由：可以作为吴恩达的机器学习课的进阶课程，难度相对来说有所提升。网友认为“学习这么课对我来说真是大开眼界，而且就我所知，这门课相当接近深度学习领域最前沿的技术。这门课的习题比吴恩达的课更详细，更具挑战性，因此我最终学到了更多。”
课程链接：
deeplearning.ai中文版课程 ：
https://mooc.study.163.com/university/deeplearning_ai#/c ，但没有实践项目；
fast.ai在线课
授课语言：英文，deeplearning.ai 有中文字幕
推荐人数：各 5
推荐理由：这两门课都是深受大家喜爱的深度学习课程，那么如何选择到底该学哪一门呢？网友给出的建议是“这完全取决于你的学习风格。如果你更习惯于通过对一个运行中的系统进行修修补补，观察所做的改动会如何影响这个系统，并以这种方式把基础知识关联起来，那么 fast . ai 更适合你。而 deeplearning.ai 则更适合那些在动手实现之前，对理论基础理解得更好的人。”当然也有大神认为两门课都非常棒，可以每年学一门。
课程链接：
https://cn.udacity.com/course/knowledge-based-ai-cognitive-systems--ud409
授课语言：英文授课，中文字幕
推荐人数：3
推荐理由：这门课程“更注重理论而不是编程，但充满了对什么是知识、智力、学习等内容的深刻讨论。”另一位网友认为“最吸引人的部分是课程项目：构建一个人工智能代理，解决 Raven 的进化矩阵，这基本上是一个视觉 IQ 测试，非常有趣和富有挑战性。对于那些比较‘容易’的问题，解决起来还算简单，但对于那些有难度的问题，解决起来那是难以置信的困难。”
课程链接：
https://cn.udacity.com/course/introduction-to-computer-vision--ud810
https://www.udacity.com/course/reinforcement-learning--ud600
授课语言：英文
推荐人数：3
推荐理由：
计算机视觉概论：此课程介绍了计算机视觉，包括图像形成、摄像机成像几何、特征检测与匹配、多视图几何（包括立体法、运动估计与跟踪）和分类的基本原理。我们将开发基本应用方法，包括寻找图像中的已知模型、通过立体法进行深度恢复、摄像机标定、图像稳定、自动对齐（如全景照片）、跟踪和行为识别。本课程的重点在于激发方法的直觉和数学思维，通过问题集了解理论与实践之间的差别。在此课程中，大多数时候你不需要应用高层次的库函数，只需使用低到中层算法来分析图像和提取结构信息。
强化学习：通过经典论文与更多近期作品的结合，你将从计算机技术的角度探索自动化决策的内涵。你将在单智能体计划和多智能体计划中检测其中存在的有效算法，以及从经验中习得最优决策的方法。本课内容结束时，你将有能力从已发表的强化学习论文中复制出属于自己的学术成果。
中国有句你可能都听烦了的俗话：师傅领进门，修行靠个人。
我们已经见过太多在微博上、在微信后台以及在社群里求 AI 学习资料或者学习路线，亦或是 AI 入门类书籍的朋友，每次在我们做出回答之后，过不了多久，总能看见熟悉的面孔又出现在我们的私信窗口、后台、社群中。于是小编我只能默默地把上次跟他对话的截图发给他，只见他惊讶地回复了一句：“我竟然问过这个问题？”
没错，现在是信息暴涨时代，什么东西都讲究一个“快”，新闻要快、读书要快、学习要快，总之什么都要快，在你转发微博并“先马再看”的时候，还请你先扪心自问一下：mark 了之后你真的再看过一眼吗？还是任由它淹没在你之后转发的信息中去了？
在众多健身博主的微博里，总能看到这句话：转过等于练过，于是无数粉丝总抱怨自己瘦不下来。同样的，在 AI 技术的各类传播渠道中，也有无数转过、收藏过等于学过的同学，如果你真的下定决心走这一条路，那么请一定要对自己负责，周围人都疯了一样快的时候，选择静下来慢慢走，走好每一步，在这个时代也很重要。
今日荐文
点击下方图片即可阅读
重磅！谷歌拆分搜索和 AI部门：Jeff Dean任 AI业务负责人
人工智能时代，如何快速且有效地入门？需要哪些数学基础？怎样掌握机器学习主要方法？
工学博士、副教授王天一在他的里，会带你巩固人工智能基础，梳理人工智能知识框架，了解人工智能的最佳应用场景。新注册用户，立减 30元。欢迎点击图片试读。
点「阅读原文」，免费试读或订阅。
如果喜欢我们的文章，欢迎大家在阅读后随手点赞，以示鼓励。原创是一种信仰，专注是一种态度。