MIT 6.S191 课程相关信息： - 课程名称：Introduction to Deep Learning（深度学习导论） - 课程介绍：这是麻省理工学院（MIT）关于深度学习方法的入门课程，应用于自然语言处理、计算机视觉、生物学等领域。旨在让学生快速掌握深度学习基础知识，获得在 TensorFlow 中构建神经网络的实践经验。课程结束时将举行项目提案竞赛，并得到工作人员和行业赞助商小组的反馈。 - 授课时间和地点：2025 年 1 月 6 日至 10 日，每天美国东部时间下午 1 点至 4 点，在麻省理工学院 32-123 房间进行线下授课，同时课程内容将开源给全世界。 - 课程安排： - 1 月 6 日：Intro to Deep Learning（深度学习介绍）讲座 1；Deep Sequence Modeling（深度序列建模）讲座 2；Deep Learning in Python; Music Generation（Python 中的深度学习；音乐生成）软件实验室 1。 - 1 月 7 日：Deep Computer Vision（深度计算机视觉）讲座 3；Deep Generative Modeling（深度生成建模）讲座 4；Facial Detection Systems（面部检测系统）软件实验室 2。 - 1 月 8 日：Deep Reinforcement Learning（深度强化学习）讲座 5；New Frontiers（新前沿）讲座 6。 - 1 月 9 日：Guest Lecture（客座讲座）讲座 7；Guest Lecture（客座讲座）讲座 8。 - 1 月 10 日：Guest Lecture（客座讲座）讲座 9；Guest Lecture（客座讲座）讲座 10；Project Presentations（项目展示）。 - 课程要求： - 先修课程：需要具备非常基础的线性代数和微积分知识（如矩阵乘法、求导数和应用链式法则），熟悉 Python 会有帮助，但不是必须的。 - 听众：欢迎所有听众参加。 - 评分政策：在 2024 年，该课程将作为一个 6 学分的麻省理工学院课程，根据项目提案作业的完成情况进行 P/D/F 评分。 - 注册方式：注册于 12 月 1 日上午 9 点开始。如果是麻省理工学院的在校学生，注册开放后可在此处注册，并可指定是为了学分还是作为听众参加。此外，任何对该课程感兴趣的人（无论是否是麻省理工学院的学生，是否亲自参加），都应在内部注册以接收更新。麻省理工学院的课程结束后，内容将开源给全世界，届时也请在内部注册以接收相关更新。 - 课程材料开源：所有材料免费开源给全世界，受麻省理工学院许可版权保护。如果是教师并想使用该课程的任何材料（幻灯片、实验室、代码），必须在每张幻灯片上添加以下引用：© Alexander Amini 和 Ava Amini MIT 6.S191: Introduction to Deep Learning IntroToDeepLearning.com。 - 课程团队： - 首席讲师和组织者：Alexander Amini、Ava Amini。 - 教学助理和工作人员：Eva Xie、Victory Yinka-Banjo（首席助教）、Sadhana Lolla（首席助教）、Maxi Attiogbe、David Chaudhari、Shorna Alam、Anirudh Valiveru、Divya Nori、Alex Lavaee、Shreya Ravikumar、Franklin Wang、John Werner。
此外，该课程得到了众多赞助商的支持，包括 Google、IBM、NVIDIA、Microsoft、Amazon、LambdaLabs、Tencent AI、Ernst and Young、Onepanel 等。如果想成为该课程的赞助商，可联系 introtodeeplearning-staff@mit.edu。如果想成为教学助理（TA），可发送邮件至 introtodeeplearning-staff@mit.edu。同时，若有其他问题，可通过邮箱 introtodeeplearning-staff@mit.edu 联系工作人员。还可以点击相应链接查看过去几年的网站存档。
该课程的讲师和研究人员背景如下： - Alexander Amini：麻省理工学院的博士生，师从 Daniela Rus 教授，也是 NSF 研究员，在麻省理工学院完成了电子工程和计算机科学的理学学士和理学硕士学位，并辅修数学。研究领域包括为自主系统的端到端控制构建机器学习算法，并为这些算法制定保障措施，还研究过自动驾驶汽车的控制、形式化深度神经网络的置信度、对人类移动性的数学建模，以及构建复杂的惯性优化系统。 - Ava Soleimany：微软研究实验室的高级研究员，在哈佛大学获得生物物理学博士，博士期间与 Sangeeta Bhatia 一起在麻省理工学院 Koch 癌症研究所进行研究，并获得 NSF 研究生研究奖学金计划的支持。此前在麻省理工学院完成了计算机科学和分子生物学学士学位。博士研究重点是用于早期发现癌症的新型诊断工程，其研究利用了纳米技术、机器学习和统计学、化学生物学和生物工程的工具来创造新的诊断和治疗生物技术。