Hinton「神經網路與機器學習」課程經驗與簡評
機器之心報導
Geoffrey Hinton 的「神經網路與機器學習」課程是機器學習領域長久不衰的經典之一，Arthur Chan 在 The Grand Janitor 發表了一篇關於 Hinton課程的回顧文章，機器之心對其做了編譯。
對我而言，完成 Hinton 的深度學習課程（https://goo.gl/GbC3qd）或者神經網路和機器學習（Neural Networks and Machine Learning，NNML）課程是一個期待已久的任務。要知道，該課程於 2012 年首次啟動。那時候，我還沒那麼相信深度學習的能力（https://goo.gl/eWVN2I）。當然，大約在 2013 年我改變了想法，卻發現停課了。直到 2 年以後我才決定去上吳恩達關於機器學習（https://goo.gl/CkmL7d）的課程，最後我終於可以再次去上 Hinton 曾經的課了。
所以，本文是我對課程的回顧，以及為何、何時你應該修它。我也會討論一個在論壇上不時出現的問題：考慮到現在有那麼多深度學習課程，Hinton的版本會不會已經過時了？亦或是它仍舊是入門者的最佳選擇？我會最後解答這個問題。
困難的舊版本
我佩服那些用 Coursera 上的老版本完成該課程的人。眾所周知，NNML 比吳恩達的機器學習（https://goo.gl/gg9iSd）難得多，
難怪：當 Kapathay 在 2013 年回顧它（https://goo.gl/u3Ycv7）的時候，他注意到該課程湧入了一群非機器學習人員。對新手來說，理解諸如像能量模型（energy-based model，EBM）這樣的主題會顯得非常吸引人，要知道能量模型非常難以理解。或者深度信念網路（deep belief network ，DBN）呢？今天人們依然將其與深度神經網路（deep neural network ，DNN）相混淆。老實說，由於深度信念網路如此難以理解，
老版本只允許 3 次測試嘗試，而且時間很緊，你只有一次機會去完成課程。有個家庭作業要求從零開始反推反向傳播的矩陣形式。這一切都使這門課不適合於像我這樣很忙的人。但是對於那些 2 到 3 年級的研究生甚或是那些有充足時間的從業者來說更加不適合(但是，誰適合？)。
新版本更簡單，但仍然具有挑戰
當 Coursera 將大部分課程替換成新版本並允許學生重修以後，
為何該課程具有挑戰（一）：數學
不同于吳恩達的課程和 cs231（視覺識別的卷積神經網路：http://cs231n.stanford.edu/），NNML 對於沒有微積分背景的新手來說並不簡單。裡面的數學依然不是特別困難，大部分是鏈式微分，對 Hessian 原理的直觀理解，更重要的是，向量微分——但是如果你從未學過——這門課對於你而言就會很難。在你上課之前，至少去上上 微積分 1 和 2，並且從《矩陣食譜》（https://goo.gl/hG9iCq）中瞭解一些基本方程。
為何該課程具有挑戰（二）：能量模型
這門課程困難另一個的原因是，課程的後半部分全部基於所謂的能量模型（EBM），例如霍普菲爾網路（HopfieldNet），波爾茲曼機（BM）和受限玻爾茲曼機（RBM）。即便你習慣於監督學習方法涉及的數學知識，比如線性回歸、邏輯回歸甚或是反向傳播，RBM 的數學知識也仍然可以虐爆你。難怪：這些模型中的很多有其物理來源，如 Ising 模型（https://en.wikipedia.org/wiki/Ising_model）。深度學習研究也頻繁使用使用來自貝葉斯網路的想法，比如： explaining away（https://goo.gl/IJ4cFc） 。如果沒有物理或貝葉斯網路的基本背景知識，你會感到相當困惑。
對我而言，我花了相當一部分時間在搜尋引擎上搜索資源，閱讀相關文獻，這個方法讓我通過了一些測試，但是我不會假裝我明白了那些主題，因為它們很深奧且反直覺。
為何該課程具有挑戰（三）：迴圈神經網路
如果你最近想學習 RNN，可從 Socher 的 cs224d（http://cs224d.stanford.edu/）課程開始或者讀 Mikolov 的論文。LSTM（長短期記憶網路）會很容易成為你僅有的解決 RNN 梯度爆炸/消失的想法。當然，還有其它辦法：回聲狀態網路（echo state network，ESN）和 Hessian-free 方法。近來人們很少對它們進行討論。此外，它們的方程形式也和諸如反向傳播、梯度下降這樣對你們而言的標準方法相去甚遠。但是學習它們可以擴寬你的視野，而且可以讓你思考現在做的事情是否正確。
但是，它贊嗎？
當然了！待我在下章為你一一道來。
為什麼贊？
如果你想嘗試一下更酷一點的機器學習/深度學習研究工具，不妨去上吳恩達的課，嘗試一下各種應用，然後宣稱自己是這方面的專家——好吧，許多人都是這麼幹的。事實上，吳恩達的課就是為了讓你感受一下深度學習，而且事實上，課後你就能使用許多機器學習工具了。
也就是說，你應該意識到你對機器學習/深度學習的理解還是相當膚淺的。或許你認為，“哦，我有資料，把這些資料扔進演算法吧！”“噢，我想用 XGBoost，是的！它總能跑出最好的結果！”不過，你應該意識到，性能數位並非一切。重要的是理解模型的運行情況，缺乏理解的時候，你很容易做出短視的決定，代價高昂。很多同行都出現過這種情況，甚至一些導師也犯過這些錯誤。
不要犯錯！要總是尋求更好的理解！試著心意相通（grok）。如果只完成吳恩達的課後作業，那麼，你現在仍然會想知道如何將工具應用到其他任務中。參加 Hinton 的課程後，你會被他說的弄得迷惑不解，不斷重複這一過程。然後，你就可以開始更好地理解深度學習了。
還有一個技術小貼士：如果你想學習深度無監督學習，我認為也應該首先學習這個課程。Hinton 會教你理解這些機器的直覺方面的內容，你也有機會應用到它們。諸如 RBM 、Hopfield net 這類模型，如果你有基礎的 octave 程式設計經驗，還是可以做一下的。
這麼贊，不過，是不是過時了？
今天的學生幸運多了，有很多深度課程可以選擇，比如深度學習。看看我自己最愛的 5 個課程榜單吧（吳恩達的 Machine Learning 、李飛飛和 Karpathy 的j電腦視覺課程 Stanford cs231n 2015/2016、Richard Socher 的深度學習和自然語言處理 Standard cs224d、David Silver 的強化學習以及 Hinton 的神經網路）。
不過，我仍然推薦 NNML 這門課程，有四個原因：
比其他基礎可能要更深更難。NNML 不好學，不完全是數學的東西（Socher 和 Silver 課程的數學比重很大），而是概念性的，比如能量模型，訓練 RNN 的不同辦法也是一些案例。
機器學習或深度學習中的許多概念都可以從其他角度來觀察。比如，在頻率論者眼裡，偏差（bias）/方差（variance）就是一種權衡，不過，貝葉斯陣營的人將它們視為“頻率論的錯覺”。BP、梯度下降也有這樣的情況。一旦你嘗試思考，你會發現這些概念並不好懂。因此，這門課不是僅僅教你一些概念，而是讓你學會從不同角度看問題。從這個意義上來說，NNML 真的是不二之選。長時間散步時，我總是會思考 Hinton 的一些觀點。
Hinton 的視角——過去三十年中，他處於機器學習的不利的一方。但是，他堅持下來了，從這門課中，你將感受到他如何（以及為什麼）開始某項研究，或許以後你自己也能研究些東西。
他傳達知識的方式很幽默。比如，第 10 講中談及在上世紀八十年代，物理學家為什麼研究神經網路時，他講的很幽默。（注意：在研究神經網路前，他也是位元物理學家。）
結論與下一步打算
總的說來，Hinton 的「神經網路和機器學習」是一門必修課。無論是初學者還是專家們，都會從這本課的廣度和 Hiton 的觀點中受益良多。
如果你真的是小白，那麼，最好先上吳恩達的課，或許再學一下微積分 1 或 2 、線性幾何以及概率與統計學。這樣，上課就不會感覺吃力了。我認為，Kapathy 和 Socher 的課程可能比 Hinton 的課程要容易一些。
如果你已經修過了，不放看看其他值得一上的基礎課程，可以參考我的這篇文章"Learning Deep Learning - My Top 5 List"，或許會知道接下來該學點什麼了。這裡需要特別提示一下：Daphne Koller 的概率圖模型也相當難，或許能讓你對非常深的問題（比如深度信念網路）有更清晰的理解。
還有一個建議：或許你可以再學一遍該課程。如上所述，我打算半年後就再學一遍，搞清楚之前沒有搞懂的一些細節。不過，可能要來個 6 到 7遍才能真正弄懂吧。
為何該課程具有挑戰（一）：數學
不同于吳恩達的課程和 cs231（視覺識別的卷積神經網路：http://cs231n.stanford.edu/），NNML 對於沒有微積分背景的新手來說並不簡單。裡面的數學依然不是特別困難，大部分是鏈式微分，對 Hessian 原理的直觀理解，更重要的是，向量微分——但是如果你從未學過——這門課對於你而言就會很難。在你上課之前，至少去上上 微積分 1 和 2，並且從《矩陣食譜》（https://goo.gl/hG9iCq）中瞭解一些基本方程。
為何該課程具有挑戰（二）：能量模型
這門課程困難另一個的原因是，課程的後半部分全部基於所謂的能量模型（EBM），例如霍普菲爾網路（HopfieldNet），波爾茲曼機（BM）和受限玻爾茲曼機（RBM）。即便你習慣於監督學習方法涉及的數學知識，比如線性回歸、邏輯回歸甚或是反向傳播，RBM 的數學知識也仍然可以虐爆你。難怪：這些模型中的很多有其物理來源，如 Ising 模型（https://en.wikipedia.org/wiki/Ising_model）。深度學習研究也頻繁使用使用來自貝葉斯網路的想法，比如： explaining away（https://goo.gl/IJ4cFc） 。如果沒有物理或貝葉斯網路的基本背景知識，你會感到相當困惑。
對我而言，我花了相當一部分時間在搜尋引擎上搜索資源，閱讀相關文獻，這個方法讓我通過了一些測試，但是我不會假裝我明白了那些主題，因為它們很深奧且反直覺。
為何該課程具有挑戰（三）：迴圈神經網路
如果你最近想學習 RNN，可從 Socher 的 cs224d（http://cs224d.stanford.edu/）課程開始或者讀 Mikolov 的論文。LSTM（長短期記憶網路）會很容易成為你僅有的解決 RNN 梯度爆炸/消失的想法。當然，還有其它辦法：回聲狀態網路（echo state network，ESN）和 Hessian-free 方法。近來人們很少對它們進行討論。此外，它們的方程形式也和諸如反向傳播、梯度下降這樣對你們而言的標準方法相去甚遠。但是學習它們可以擴寬你的視野，而且可以讓你思考現在做的事情是否正確。
但是，它贊嗎？
當然了！待我在下章為你一一道來。
為什麼贊？
如果你想嘗試一下更酷一點的機器學習/深度學習研究工具，不妨去上吳恩達的課，嘗試一下各種應用，然後宣稱自己是這方面的專家——好吧，許多人都是這麼幹的。事實上，吳恩達的課就是為了讓你感受一下深度學習，而且事實上，課後你就能使用許多機器學習工具了。
也就是說，你應該意識到你對機器學習/深度學習的理解還是相當膚淺的。或許你認為，“哦，我有資料，把這些資料扔進演算法吧！”“噢，我想用 XGBoost，是的！它總能跑出最好的結果！”不過，你應該意識到，性能數位並非一切。重要的是理解模型的運行情況，缺乏理解的時候，你很容易做出短視的決定，代價高昂。很多同行都出現過這種情況，甚至一些導師也犯過這些錯誤。
不要犯錯！要總是尋求更好的理解！試著心意相通（grok）。如果只完成吳恩達的課後作業，那麼，你現在仍然會想知道如何將工具應用到其他任務中。參加 Hinton 的課程後，你會被他說的弄得迷惑不解，不斷重複這一過程。然後，你就可以開始更好地理解深度學習了。
還有一個技術小貼士：如果你想學習深度無監督學習，我認為也應該首先學習這個課程。Hinton 會教你理解這些機器的直覺方面的內容，你也有機會應用到它們。諸如 RBM 、Hopfield net 這類模型，如果你有基礎的 octave 程式設計經驗，還是可以做一下的。
這麼贊，不過，是不是過時了？
今天的學生幸運多了，有很多深度課程可以選擇，比如深度學習。看看我自己最愛的 5 個課程榜單吧（吳恩達的 Machine Learning 、李飛飛和 Karpathy 的j電腦視覺課程 Stanford cs231n 2015/2016、Richard Socher 的深度學習和自然語言處理 Standard cs224d、David Silver 的強化學習以及 Hinton 的神經網路）。
不過，我仍然推薦 NNML 這門課程，有四個原因：
比其他基礎可能要更深更難。NNML 不好學，不完全是數學的東西（Socher 和 Silver 課程的數學比重很大），而是概念性的，比如能量模型，訓練 RNN 的不同辦法也是一些案例。
機器學習或深度學習中的許多概念都可以從其他角度來觀察。比如，在頻率論者眼裡，偏差（bias）/方差（variance）就是一種權衡，不過，貝葉斯陣營的人將它們視為“頻率論的錯覺”。BP、梯度下降也有這樣的情況。一旦你嘗試思考，你會發現這些概念並不好懂。因此，這門課不是僅僅教你一些概念，而是讓你學會從不同角度看問題。從這個意義上來說，NNML 真的是不二之選。長時間散步時，我總是會思考 Hinton 的一些觀點。
Hinton 的視角——過去三十年中，他處於機器學習的不利的一方。但是，他堅持下來了，從這門課中，你將感受到他如何（以及為什麼）開始某項研究，或許以後你自己也能研究些東西。
他傳達知識的方式很幽默。比如，第 10 講中談及在上世紀八十年代，物理學家為什麼研究神經網路時，他講的很幽默。（注意：在研究神經網路前，他也是位元物理學家。）
結論與下一步打算
總的說來，Hinton 的「神經網路和機器學習」是一門必修課。無論是初學者還是專家們，都會從這本課的廣度和 Hiton 的觀點中受益良多。
如果你真的是小白，那麼，最好先上吳恩達的課，或許再學一下微積分 1 或 2 、線性幾何以及概率與統計學。這樣，上課就不會感覺吃力了。我認為，Kapathy 和 Socher 的課程可能比 Hinton 的課程要容易一些。
如果你已經修過了，不放看看其他值得一上的基礎課程，可以參考我的這篇文章"Learning Deep Learning - My Top 5 List"，或許會知道接下來該學點什麼了。這裡需要特別提示一下：Daphne Koller 的概率圖模型也相當難，或許能讓你對非常深的問題（比如深度信念網路）有更清晰的理解。
還有一個建議：或許你可以再學一遍該課程。如上所述，我打算半年後就再學一遍，搞清楚之前沒有搞懂的一些細節。不過，可能要來個 6 到 7遍才能真正弄懂吧。