本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
告别“拼图式”学习！
最近，一套深度学习和强化学习的免费课程在reddit上引起网友关注，获赞690+。
只因其不仅形式丰富，还综合了基础理论和具体应用，帮你将几何学、统计学等相关理论串联起来，解决复杂的问题。
对于初学者来说，称得上是个学习大礼包了。
课程来自杜伦大学计算机系助理教授Chris Willcocks，他表示：
相比于其他课程，我想这一套课程涉猎广泛，并且足够紧凑。
不妨一起来了解一下吧～
课程设置
课程分为深度学习和强化学习两个板块，各有10节课，总时长约为20小时。
除了视频之外，还提供了PPT、Colab代码示例以及一些相关论文。
其中深度学习课程的第1～5课，侧重于理论，包括：
第1课：简介；
第2课：数学原理和反向传播；
第3课：PyTorch编程：编码会话；
第4课：设计模型以进行概括；
第5课：生成模型；
第6～10课则以应用为主，包括：
第6课：对抗模型；
第7课：基于能量的模型；
第8课：顺序模型；
第9课：Flow模型和隐式网络；
第10课：元学习和流形学习。
强化学习的课程，来自对David Silver课程的改编。
△David Silver课程的课程大纲
为了更易于学习，每个视频缩短到50分钟左右，略去了高级推导部分，但是增加了更多的示例和代码。
课程设置是这样的：
第1课：基础；
第2课：马尔可夫决策过程；
第3课：OpenAI gym工具包；
第4课：动态编程；
第5课：蒙特卡洛方法；
第6课：时序差分方法；
第7课：函数逼近；
第8课：策略梯度法；
第9课：基于模型的方法；
第10课：扩展方法。
具体来看一下学习过程是怎样的
以深度学习课程中的「第5课：生成模型」PPT为例：
在一开始列出了章节目录：课程划分为定义、密度估算、散度测度、生成式网络四个部分，每一部分又划分成不同小节。
以散度测试中的K-L散度（相对熵）一节为例：首先说明了用相对熵来测量两种分布的差异，接着给出了相应的计算公式，并且还能一键直达图形计算器。
△desmos计算器页面
PPT图文并茂而又不失简洁，每一小节基本只占1～2页的篇幅。
类似地，在深度学习编码器一节中，也可以一键查看Colab的代码示例：
内容清晰明了，操作简单方便，对初学者十分友好了～
网友关注
这份课程获得了许多网友的肯定， 甚至有人直呼作者是“身披斗篷的英雄”。
一位从PyTorch“逃离”到Keras的网友表示，作者让他重新捡起了PyTorch！
针对网友普遍关注的问题：
“这些课程主要关注代码还是理论？”
“学习课程对于数学背景的要求是怎样的？”
“对强化学习进行学习，是否要精通机器学习架构？”
……
作者在回复中一一作出了说明：
课程对于代码和理论都有涉及，课程前半部分偏向理论，后半部分侧重于最新技术，两套课程都是如此。
过程中提供了许多Colab代码示例、方程式和算法，并且在第二课中对数学符号进行了介绍。
不需要很强的数学背景，并且所需的数学知识，在第二课中进行了介绍。
如果第二课实在太难，推荐用《机器学习数学基础（Mathematics for Machine Learning）》这本书进行学习。
学习这份课程并没有十分必要的先决条件，但是可能有必要看一下「深度学习」的第二课，以及《机器学习数学基础》的第二章和第六章。
虽然不是针对强化学习基本算法的主要理论，不过在使用函数逼近器来扩展方法时，构建深度学习模型（特别是卷积神经网络、循环神经网络）上的一些实践会很有用。
是不是也解答了你心中的疑问呢？
那么，戳下方链接开始学习吧～
课程列表：
https://www.reddit.com/r/MachineLearning/comments/lqrek7/n_20_hours_of_new_lectures_on_deep_learning_and/
