特别注意：我们将于2017年10月30日起，在USF数据研究院现场授课为期七周，内容为全面更新的第一部分课程。详情及报名表请参阅课程页面。
当我们推出course.fast.ai时，我们曾表示希望提供优质的深度学习教育。目前，该课程的第一部分已被数万名学生观看，向他们介绍了当今深度学习的几乎所有最佳实践，并提供了许多小时的动手实践编程练习。我们已在学员评价页面收集了一些第一部分毕业生的故事。
今天，我们发布了第二部分课程：面向程序员的前沿深度学习。这15小时的课程将带你从第一部分的最佳实践，一直深入到前沿研究。你将学到如何
- 阅读并实现最新的研究论文（即使你没有数学背景）
- 构建一个最先进的神经翻译系统
- 创建用于艺术、超分辨率、图像分割等的生成模型（包括生成对抗网络）
- 将深度学习应用于结构化数据和时间序列（例如用于物流、市场营销、预测性维护和欺诈检测）
- ……等等。
我们相信我们已经创建了一条通往深度学习专业知识的独特路径，并且我们的许多学生已经展示了其可能性，例如
- Sara Hooker，她在两年前才开始学习编程，现在是精英Google Brain Residency项目的一员
- Tim Anglade，他使用Tensorflow为HBO电视剧《硅谷》创建了“不是热狗”应用，这让Google CEO发推文称“我们的工作完成了”
- Gleb Esman，他利用课程中学到的工具为Splunk创建了一个新的欺诈检测产品，并被Splunk博客专题报道
- Jacques Mattheij，他构建了一个机器人系统来分拣两吨乐高积木
- Karthik Kannan，letsenvision.com的创始人，他告诉我们：“今天，我积攒了足够的动力，能够自信地开展自己的计算机视觉初创公司，而这个想法的种子是fast.ai通过第一部分和第二部分课程播下的。”
- Matthew Kleinsmith和Brendon Fortuner，他们在24小时内构建了一个系统，能够为视频的背景和前景添加滤镜，这让他们在2017年深度学习黑客松中获胜。
本课程的先决条件是：你已完成课程第一部分，或者你已是一位自信的深度学习实践者，能够熟练实现和使用
- CNNs（包括残差网络）
- RNNs（包括LSTM和GRU）
- SGD/Adam等
- 批量归一化
- 数据增强
- Keras和numpy
内容涵盖
本课程涵盖了大量领域——以下是每节课你将学到内容的简要总结
第8课：艺术风格
我们首先讨论了与第一部分相比的一项重大变化：从Theano转向Tensorflow。你将了解Tensorflow中一些令人兴奋的新进展，这些进展促使我们做出了这一改变。我们还将讨论一个强烈推荐的重要项目：构建你自己的深度学习主机！
我们还将探讨如何应对本课程中的一个最大挑战：阅读学术论文。别担心，它不像听起来那么可怕——特别是当你掌握了我们的一些小技巧后。
接着，我们将深入探讨创意和生成式应用，首先是艺术风格迁移。即使你的艺术天赋像Jeremy一样有限，你也能创作出美丽有趣的图像…… :)
第9课：生成模型
我们将学习异常强大且广泛有用的生成模型技术。这些模型不仅仅是输出一个分类结果，而是能够创建全新的图像、声音等。例如，它们可以用于图像方面，以
- 改善照片（色彩化、去噪、提高分辨率等）
- 创作艺术作品
- 查找和分割（定位）物体
- 以及更多……
我们将尝试使用这种方法进行超分辨率（即提高图像分辨率），然后你可以尝试构建自己的系统，快速将任何艺术家的风格添加到你的照片中。看看右边的图片——上面非常低分辨率的图像（例如可以看到非常像素化的手指）被输入到算法中，而下面的图像是自动创建的！
第10课：多模态与GANs
深度学习中一个令人惊讶的结果是，由完全不同类型的数据（如文本和图像）创建的模型可以学习共享一个一致的特征空间。这意味着我们可以创建多模态模型；也就是说，可以结合多种类型数据的模型。我们将展示如何使用一种称为DeVISE的技术将文本和图像结合在一个模型中，并用它来创建各种搜索算法
- 文本到图像（也将处理多词文本描述）
- 图像到文本（包括处理我们未训练过的图像类型）
- 甚至图像到图像！
这样做需要使用完整的ImageNet竞赛数据集来训练模型，这个数据集比我们之前使用的都要大。因此，我们将研究一些技术，使这比你预期的更快更容易。
我们将通过研究生成对抗网络（GANs）来结束对生成模型的学习，GANs是一种在最近几个月迅速流行起来的工具，它可能具有为深度学习创造全新应用领域的潜力。我们将使用它们从零开始创建全新的图像。
第11课：记忆网络
在本课程中，我们涵盖了许多不同的架构、训练算法以及各种其他CNN技巧——因此你可能想知道：我应该在什么时候使用什么？好消息是其他人也想过这个问题，并对各种技术的实际优缺点进行了精彩分析。今天我们将重点介绍其中几篇论文。
然后我们将学习如何利用PyTorch对算法进行GPU加速，PyTorch提供了一个与numpy非常相似的接口，通常只需一两个小时就能将你的算法迁移到GPU上。特别是，我们将尝试创建均值漂移聚类（mean-shift clustering）的第一个（据我们所知）GPU实现，这是一个非常有用的算法，值得更广泛地了解。
在本课结束时，我们将实现备受关注的“记忆网络”算法，并回答一个问题：它是否名副其实？
第12课：注意力模型
事实证明，记忆网络为我们理解过去一两年中最重要进展之一——注意力模型——提供了许多关键基础。这些模型使我们能够构建专注于当前任务中最重要输入部分的系统，例如，在创建翻译系统（我们将在下一课中介绍）中，它们至关重要。
第13课：神经翻译
在过去几年中，深度学习的一个应用领域进步可能超过其他任何领域，那就是神经机器翻译。2016年末，Google实现了这一技术，被《纽约时报》称为“人工智能大觉醒”。要达到Google那样的翻译能力水平需要许多技巧，因此本课我们将深入探讨，学习最先进系统使用的几乎所有技巧。
接下来，我们将学习Densenets。Densenets在2017年7月获得了CVPR最佳论文奖，并在计算机视觉领域展现了最先进的结果，尤其是在小型数据集上。它们与残差网络非常相似，但有一个关键区别：每个部分的支路通过拼接而不是相加来组合。这个看似微小的改变对其学习方式产生了巨大影响。我们还将在下一课中使用这项技术创建一个最先进的图像分割系统。
第14课：时间序列与分割
深度学习通常与非结构化数据相关联，例如图像、语言和音频。然而事实证明，数据库表或电子表格列中发现的结构化数据，其中每列可以以不同方式表示不同类型的信息（例如，美元计价的销售额、作为邮政编码的区域、产品ID等），也可以被神经网络非常有效地使用。如果数据可以表示为时间序列（即行表示不同的时间点或时间段），这一点同样适用。
特别是，我们在第一部分学到的关于嵌入的知识，不仅可以用于协同过滤和词编码，还可以用于表示产品、地点、渠道等的任意分类变量。这一点已由采用这种方法的团队赢得的两次Kaggle竞赛结果突出证明。本课我们将研究这两个数据集和竞赛获胜策略。
最后，我们将看看上一课中学习的Densenet架构如何用于图像分割——即精确指定图像中每个物体的位置。这是另一种类型的生成模型，正如我们在第9课中所学到的，因此那里的许多基本思想在这里同样适用。