学深度学习，可能“弯道超车”吗？
深度学习的初学者，总会在学习路径上遇到困惑。
先是那群框架，就让你不知道该从哪儿着手。
一堆书籍，也让你犹豫如何选择。
即便你去咨询专业人士，他们也总会轻飘飘地告诉你一句“先学好数学”。
怎样算是学好？
对方会给你罗列出一堆大学数学课程名称。直到你彻底放弃学习的想法。
真要是按照他们的要求，按部就班去学，没有个几年功夫，你连数学和编程基础都打不完。
可到那时候，许多“低垂的果实”还在吗？
其实，Sylvain Gugger （数学专业出身，自学深度学习，一年时间成为 fast.ai 的研究科学家）说了一段真话（链接在这里）。
把我常用的那个例子，再给你举一遍。
如果你想造汽车，恐怕要有多少年的理论功底，以及技术实践。
但如果你只是想开汽车，却是很快就能学会。
当个司机，你需要去了解汽油发动机原理吗？
不需要。
因为你开的车，甚至有可能根本就用不上汽油发动机（电动车）。
深度学习，底层实际结构很复杂。
上图还只是模块示意图哦。
然而，作为应用者，你只需要一两行代码，就能实现上述神经网络。加上数据读取和模型训练，也不过十行左右的代码。
不信？
你可以参考我的《如何用 Python 和 fast.ai 做图像深度迁移学习？》
感谢科技的进步，深度学习的用户接口，越来越像搭积木。
只要你投入适当的学习成本，就总是能很快学会的。
这种成本，究竟要投入多少呢？
成本Jeremy Howard 的答案，是 7 节课。
我在《如何用 Python 和深度迁移学习做文本分类？》一文中，给你介绍过他的研究论文“用于文本分类的通用语言模型微调（ULMFiT）”。
与其说他是研究人员，倒不如说他是个老师。
Jeremy 看到许多普通人，被深度学习的高门槛拦在外面，很不愉快。
于是他研发了基于 Pytorch 的 fast.ai 深度学习框架。
这个框架的特点是：几条语句，就能做出前沿水平（state of the art）的深度学习模型。
依据该框架，他还做了系列 MOOC ，现在在深度学习领域非常知名。
我给你写这一篇文章，是因为早上看见，Jeremy 发了一条消息，大家期待已久的2019版本 Practical Deep Learning for Coders 课程终于上线了。
按照课程要求，每周上一节课，视频看下来，大约需要2个多小时。
外加每周10个小时左右的练习时间。
7周之后，你就算结课了。
学这课程，需要的基础是什么？
机器学习？不需要。
深度学习？更不需要。
编程经验？这个确实需要，大概一年左右。如果你用的编程语言，恰好是 Python ，那就最好了。学的是其他语言也不要紧。因为 Python 是可以很快掌握的，就如同我在《学 Python ，能提升你的竞争力吗？》一文中跟你说的那样。
对了，还有数学呢？
只需要高中数学（对应美国教学大纲，你懂的）知识，就够了。
教学过程中，对于高等数学，如果需要，视频里会即时补充。
以上是你需要花费的时间成本和前导条件。
经济成本呢？
课程的教学视频是免费的。
内容这一版的 MOOC ，都包括哪些内容呢？
在这个页面， Jeremy 做了介绍。
课程主要包含以下模块：
机器视觉（例如动物识别）
图片分类
图片分割
图片关键点
自然语言处理（例如影片评论情感分析）
语言模型
文档分类
表格数据分析（例如销售预测）
类别数据
连续数据
协同过滤（例如影片推荐）
下面，用几张截图，给你展示一下能学到什么。
