新年快到了，给大家送上一首藏头诗
这个写的挺有古韵的吧，不过这不是人写的，而是用深度学习算法写成的。不止会写绝句，还会填词了。
不止会填词，还会做命题作文。给定一个题目，他每次会给出不同是古诗。
更神奇的是，还可以根据图画来作诗。
最难得的是，这个是作者在业余时间做成的，感兴趣的朋友可以去搜索“诗词生成器” 微信公众号，就可以去调戏这个神奇的AI 了，想了解更多，可以来看一下的文章循环神经网络RNN打开手册 神经网络的跨学科盛宴 基于遗传算法和神经网络的虚拟生物 用深度学习进行人脸识别 如何用深度学习进行【语音识别】 使用深度学习来做机器翻译等文章，了解更多相关的知识。
上面的这些只是一个引子，下面进入本文的重头戏，看科普文章怎么能过瘾，学学相关的MOOC，才算深度学习啊。自从 大咖征集令，不限学科，用你的Coursera证书实现知识变现 后，已经收到了两位投稿，其中一个是个00后的初中生，他在初三毕业之后，完成了 Coursera 上吴恩达教授的 Machine Learning 公开课。他自己觉得“说来惭愧，仅仅只上了一门再基础不过的通识课程，不过也成功拿到了证书（成绩约95%）”不过这样的故事，简直不能再励志了。
以下是他的学习笔记
Andrew
Ng Machine Learning 学习笔记
Andrew
Ng（吴恩达）教授的机器学习慕课几乎可以算是Coursera上最出名的课程之一了。在这门课程里，教授主要讲解了一些机器学习领域的基础知识，以及在专业领域的一些实例。也许对于一些机器学习领域内的专家来说，该课程可能太过简单，但是对于像我这样的机器学习初学者而言，这门课程正好能满足我的需求，带我了解机器学习这个领域的大致内容。
对这门课程比较有印象的一个部分，就是其对数学知识的大量运用。虽然教授已经有意减少使用的数学知识，但在整个课程中仍然处处需要用到多元微积分、线性代数等高数内容。个人认为，机器学习领域大部分都是构建在高等数学框架上的，因此对数学知识的要求相对较高。
然而，部分学生可能不需要高等数学的知识也能高质量地完成作业，这可能意味着并不是所有的机器学习从业者都需要深厚的数学功底。或许这一现象也能反映未来机器学习领域的一个发展趋势：部分从业者主要以应用开源的软件包为主实现机器学习算法，而另一部分真正以研究为目的的从业者才会去使用数学知识来改进、创造算法。
这门课程的主要内容十分广泛，可以说几乎涵盖了机器学习领域的大部分知识点。从有监督学习之中的回归分析（线性回归、逻辑回归；递推算法、解析算法）、分类算法（多分类算法）、神经网络（算法、应用等），到无监督学习之中的聚类（Clustering），再到具体的除错误方法（防止过拟合——正则化，数据的偏向性选择，判断算法的效率）以及一些工业上的应用（大规模ML、随机下降算法、在线学习以及一个实例——OCR），该课程都有涉及。
总而言之，这门课程对于初学者来说是一个很好的了解机器学习领域的机会。
而另一位分享者，则给出了近十张相关的证书及对他修过的机器学习相关的MOOC的点评，可以给有志者参考。
MIT 6.001X是我上的第一门计算机相关的MOOC , 内容是关于python的基础，以及一些算法和面向对象的知识。这门课的作业非常巧妙，都是把一个大问题给分解成一个一个小问题来解决，全部解决掉的时候比较爽。
MIT 6.002X是上一门课的继续，讲了一些和统计相关的（蒙特卡洛等等）和一些和图论有关的算法。上面两门课不仅仅涉及了编程，最重要的是传达了很多计算机科学的idea 。
MIT 6.041X是一门关于概率论和随机过程的课程，和MIT其他的数学课程相似，这门课也是从偏向工程的角度来讲授数学，具体来说就是通过嵌入很多直观例子和几何图像来降低抽象性。完成这门课程应该在“应用数学”方面会更加得心应手。
Analytic edge是MIT商学院开设的一门课程，讲了如何用R做线性回归，逻辑回归，决策树，文本分析，优化等等。这个课程几乎完全省略了理论推导，但是例子非常丰富，每一节都有4-5个例子，对于理解如何从商业到模型很有帮助。
CMU的统计热力学是一门从化学角度开的课程，课程不是很带劲，但是讲义写得挺好。coursera上还有一门 巴黎高师的统计力学：算法与计算，这一门课的视频和作业都很有意思，可以学到如何用编程语言来做有趣的物理模拟。然后是斯坦福大名鼎鼎的机器学习课程，这个课的理论层面的确比较简单，不过通过完成MATLAB的作业可以理解到如何把数学模型转化为算法，其中一些trick例如通过矩阵来进行向量化也非常有意思。
EPFL的scala课程是语言的发明者上的课程，大多内容和SICP相关。函数式语言非常有趣，经常能够通过高阶抽象用一行代码完成普通语言数十行的内容。
然后是斯坦福的算法1和2，这门课侧重于算法的设计和分析方面，淋漓尽致地展现出很多算法的美感。作业基本上是实现一个相关算法，如果使用的是python这类慢吞吞的动态语言可能需要做一些优化。
下面是斯坦福的社交和经济网络，这门课基于jackson的书讲了网络的测度，随机图，无标度网，以及一些与经济相关的网络上的学习，扩散，博弈论，信息量还是比较足的。另外一门类似的课程是edx上cornell基于“人群与网络“的课程。
统计学习是一门斯坦福统计学院开的课程，所使用的教材是ESL的简化版。与计算机的机器学习相比，统计学习的理论更偏向统计和数学。课程给的R的notebook非常有价值，由于老师就是glmnet包的作者，一些细节对于开发R的算法包很有帮助。
加州理工的learning from data则是一门偏向于理论的机器学习课程，涉及到了学习的理论基础以及很多具体的技术。这门课的讲解比较深入，如果理解到位很快就可以组合不同的想法做出算法上的创新。
斯坦福的大规模数据挖掘则是一门比较新的课程，讲述了一些Mapreduce，data streaming , lsh等等“大数据”相关的技术，不过我比较感兴趣的部分是jure关于社交网络的那部分，有一些非常漂亮的社团检测算法。
最后是圣菲研究所的复杂性的mooc，这门课程的内容基本与梅拉尼那本书一致。非常有价值的是在每节以后对相关领域领军人物的采访，例如做网络的mark newman , chris moore ， 做复杂经济学的 farmer , 10几分钟的访谈就给出了很多insight。
总体来说MOOC提供了一个入门的途径，可以通过它来获取一些新鲜的想法与知识，一些课程还能提供有价值的实践机会。但是从获取信息的角度来看，论文和书籍可能是更难却更有效的途径。从另一方面来看，想象力比知识更重要，制造一些新的想法并加以应用比单纯地学习有更高的价值。
就说这么多，新年假期，想成为精英的小伙伴动起手来，我们来一起学习，不管是MOOC还是技术博客，巡洋舰陪你一起死磕，欢迎加入我们的社群。 今年，我们一起来做一边做慈善一边做一个知识社群
扩展阅读
混迹“高端”微信群就真的接近精英了吗？
打算成为精英的伙伴准备的“精英日课”打开方式
