在工程领域，机器学习的应用并不如想象中多，而深度学习每天都在改变生活。入门深度学习的好课不仅让你了解技术领域的前沿，还能帮助你提升求职竞争力。以下 8 门课程(大部分评分来自 Class Central)推荐给你。
1. Creative Applications of Deep Learning with TensorFlow
Kadenze
★★★★☆ (基于 43 个评价)
这门课程会为你介绍 deep learning，让你能够构建***进的人工智能算法。其中包含最基本的深度学习知识(基础课)，包括什么是深度学习?算法如何工作?如何编写程序构建卷积神经网络，变分自动编码器，生成对抗网络，递归神经网络。本课程不仅带你构建算法，还会深入研究充满创意的应用。
2. Neural Networks for Machine Learning
University of Toronto
★★★☆ (基于 25 个评价)
语音和对象识别，图像分割，建模语言和人体运动等领域都会用到机器学习和神经网络。本课程会带你了解这些应用所需的基本算法，以及实现他们所需的良好技巧。这门课需要一定的微积分知识及 Python 编程基础。
3. MIT 6.S191: Introduction to Deep Learning
Massachusetts Institute of Technology (MIT)
★★★★☆ (基于 2 个评价)
本课程会为你介绍深度学习的基本方法(入门课程)，以及机器翻译，图像识别，游戏，图像生成等应用。这门课程中还会有一些和 TensorFlow 合作展开的实验内容。
4. MIT 6.S094: Deep Learning for Self-Driving Cars
Massachusetts Institute of Technology (MIT)
★★★★☆ (基于 1 个评价)
这是一门面向新手的课程，为机器学习初学者设计，同时也能为研究人员提供实践领域的借鉴。本课程通过构建自动驾驶汽车来介绍深度学习。
5. CS224d: Deep Learning for Natural Language Processing
University of Oxford
无评分
这是一门关于自然语言处理的进阶课程。需要你具备一定的概率论，线性代数和连续数学的基础，了解基本的机器学习模型，编程熟练，但不需要具备语言学的知识。你将会学到一系列神经网络模型，能够优化模型算法，了解如何用这些算法构建***进的 NLP 系统，了解应用过程中可能出现的硬件问题，最终实现和评估 NLP 常见的神经网络模型。
6. CS224n: Natural Language Processing with Deep Learning
Stanford University
无评分
深度学习在自然语言处理中能实现很好的应用。本课程中学生将学习如何实现，训练，调试，可视化甚至发明他们自己的神经网络模型。课程全面介绍了应用于 NLP 的深度学习的前沿研究。模型上涵盖了基于窗口的神经网络，递归神经网络，长短期记忆模型，卷积神经网络等。编程作业会帮助你掌握必要的实践技巧。
7. CS231n: Convolutional Neural Networks for Visual Recognition
Stanford University
无评分
这门课由李飞飞主讲，课程为期 10 周，其间课程会深入探讨深度学习的细节，重点学习图像分类。学生将学习如何训练和调试自己的神经网络模型，了解计算机视觉的前沿领域。课程的资料都可以在 Stanford 的课程首页找到，包含笔记，视频等。
8. Deep Learning A-Z™: Hands-On Artificial Neural Networks
Kirill Eremenko and the SuperDataScience Team
★★★★☆ (基于 13,832 个评价)
学习使用 Python 构建深度学习算法(偏向实践领域)。课程分为两部分：监督学习和无监督学习。每个部分会为你介绍 3 种不同的算法。专注于深度学习背后的直观理解，而不只是冰冷的数学推导和程序。课程的实战项目基于真实世界的数据集，目的是解决实际问题。
