目前，吳恩達正在做的三大項目已有兩個項目被公布：深度學習在線課程Deeplearning.ai和一個 1.5 億美元的面向人工智慧投資的風投基金。
其中，深度學習在線課程的發布讓來自全球的 AI 愛好者圍在這位人工智慧專家身邊，希望能從這門課裡學到更多知識，正在看這篇文章的你或許也想報名參加，先別忙，有位大神花了四個晚上刷完了這套課並拿到了證書，先聽聽他怎麼說。
2017 年 6 月的時候，吳恩達在離職百度之後，宣布自己將成立一家創業公司：Deeplearning.ai，並透露將於今年 8 月份公布更多的公司信息。
當消息發布之後，就有業內人士預測，這家公司未來的方向似乎是要普及 AI 基礎設施：對研究人員來說，好的 AI 基礎設施可以大大提高其科研效率，對用戶來說，則可以極大降低使用 AI 技術的門檻。
8 月 8 日，吳恩達的新項目正式上線，他也在博客中發布了一封公開信。
吳恩達與Deeplearning.ai的兩位TA：Kian Katanforoosh與Younes Mourri
總結下來，吳恩達這篇公開信的主要內容如下：
Deeplearning.ai是基於Coursera的系列深度學習課程，是吳恩達未來三個AI項目之一，他希望通過這個項目在未來達到三個目的：
學習者將通過這門在線課掌握深度學習技能並獲得證書
滿足一些想利用AI轉型業務的大型非技術公司對 AI 人才的需求
希望可以建設一個AI驅動的社會
吳恩達在博客中表示，2011 年在Coursera上推出了他與另外四名史丹福大學學生製作的機器學習在線課，迄今為止，共有 180 萬人通過Coursera學習了該課程。他發現有這麼多人在努力地理解機器學習，開發優秀的AI系統，並開啟令人驚豔的事業。吳恩達由此開始準備了新的深度學習課程，準備期間還走訪了Geoffrey Hinton、Yoshua Bengio、Ian Goodfellow等深度學習的大牛學者，諮詢了他們對初學者入門的建議。
這套在線課上線已經 6 天了，網上不乏一些高手已經刷完了這套課，那麼這門課到底怎麼樣？值不值得花大把的時間和精力來學習？現在我們就來聽聽看其中一位學習者的感想：
以下內容整理自Arvind N的博客：
在全職工作與照顧家人之餘，我把自己的空閒時間投入到學習認知科學與AI當中。在此期間，每每發現出色的論文、視頻或課程，都令我激動萬分。
吳恩達全新的deeplearning.ai課程正是其中的代表，我對它的期待正如大家期待自己喜愛的影星新片上映一樣。
正因為如此，當該課程正式上線之後，我馬上就完成了註冊，接下來的四個晚上我每晚都在看講座、做測驗和寫代碼中度過。
圖為 deeplearning.ai 課程證書
深度學習從業者以及機器學習工程師通常需要將大部分時間花在抽象的Keras或者TensorFlow級別的工作當中。但實際上，我們只需要拿出一點休息時間就足以了解更多算法知識，並親自上手體驗反向傳播。這不僅充滿樂趣，同時也極具實際意義！
關於課程內容
吳恩達帶來的這段新旅程希望採取自下而上的方式傳授神經網絡知識（強大而非線性的學習算法），且主要面向初中級水平受眾。
正如經典的Ng風格一樣，該課程精心挑選課程內容，提供精確的視頻時長以及準確的信息塊定位。吳恩達基於其經典的機器學習課程進行了補遺，同時以如何使用單神經元（邏輯回歸）神經網絡入手，在此基礎之上逐步增加複雜性——即添加更多神經元與層級。在為期四周的學業（課程 1）結束後，學生們將順利掌握構建密集神經網絡所需要的全部核心思維，具體包括成本 / 損失函數以及如何利用梯度下降與向量化並行Python（Numpy）實現迭代學習等。
吳恩達耐心地按照精心規劃的順序與匹配度為學習者提供良好的數學和編碼規範，循循善誘地解釋其中的各類重要數學與編程概念。課程材料與工具：
視頻講座
講座以演示幻燈片的方式呈現，而吳恩達則使用數字筆在其中進行標註。這能有效提升聽眾的關注效果。我一般會以 1.25 倍到 1.5 倍的速度觀看視頻內容。
每節講座視頻之後都會安排測試，學生們可以通過一系列選擇題了解自己的知識掌握情況。只要完整觀看了視頻內容，問題本身並不算困難。當然，大家也可以多刷幾遍題，系統會保留測試中的最高分。
Jupyter 記事本編程作業
編程作業則需要利用 Jupyter 記事本進行——這是一款強大的瀏覽器應用。
作業內容擁有相當出色的順序結構，一般只需要在每道題內編寫兩到三行代碼。如果你已經掌握了向量化等概念，甚至能夠以一行代碼完成大多數編程題！
在作業完成後，點擊按鈕即可提交自己的代碼，系統會自動打分並在幾分鐘後給出對應分數。一部分作業設有時間限制——例如每 8 個小時只允許進行 3 次嘗試。
Jupyter 記事本設計出色且在體驗過程中未出現任何問題——精緻的構建成果堪稱完美，好評！
課程適用人群
此項課程適用於任何有興趣了解神經網絡及其工作原理、構建方式乃至當前可用工具選項的朋友們。
如果你對自己的數學水平比較擔心，這裡給大家吃顆定心丸——吳恩達對於一切微積分問題皆作出了必要解釋，並立足各種場景解釋其中的衍生狀況，從而確保大家能夠將注意力集中在神經網絡構建以及代碼實現上。
如果你的編程水平有限，本課程同樣提供與 Numpy 使用知識相關的作業。不過我個人建議大家先在 codecademy 當中學習 Python，然後再來挑戰本篇課程。本深度學習課程與 Jeremy Howard 的 fast.ai 有何區別：
下面我打算用比喻的方式解釋這個問題：假設你正在學習車輛駕駛。
Jeremy 的 fast.ai 課程相當於從駕駛位開始進行學習。他會教大家如何轉動方向盤、控制剎車以及油門等等。此後，他會詳細解釋汽車的工作原理，包括為什麼轉動方向盤會讓車子轉向、為什麼踩下剎車能夠實現減速與停車等。通過對汽車內部工作原理的不斷探索，在課程結束之後，你將了解到內燃機引擎工作原理、油箱的設計思路等等。此課程的目標在於教會大家開車，而且如果你覺得無需了解如何製造或者維修車輛，那麼可以在初步目標完成後隨時停止學習。
吳恩達的深度學習課程同樣包含以上內容，但順序卻完全相反。他首先講解內燃機引擎，而後不斷增加抽象層——如此一來，在課程結束之後，你將擁有 F1 賽車手級別的駕駛技術！
總而言之，fast.ai 課程的主要訴求在於傳授駕駛技能，而吳恩達的課程則主要講解車輛背後的工程學原理。
如何學習此課程
如果大家此前對於機器學習沒有任何了解，那麼先別急著選擇本課程。這裡建議各位首先學習並通過吳恩達此前在 Coursera 上發布的機器學習課程。
課程地址：https://www.coursera.org/learn/machine-learning
完成之後，大家不妨選擇 Jeremy Howard 深度學習課程的第一部分。Jeremy 自上而下的深度學習講解思路非常適合初學者的實際情況。
課程地址：http://course.fast.ai/
在有能力順利構建深度神經網絡之後，大家就可以學習本文中提到的 deeplearning.ai 課程了。如果你對於相關知識的底層細節與概念仍有不能理解的地方，那麼這項課程將很好地作出解答。
Deeplearing.ai：https://www.deeplearning.ai/
我個人最推崇的亮點
明確給出事實——反覆強調一切不確定性與歧義性表述。
吳恩達始終著眼於深度學習中的工程技術層面，同時提供了大量能夠節約時間及資金投入的技巧。作為工程團隊中的負責工程師，這確實令我受益匪淺。
很好地處理了專業術語這一傳統難題。吳恩達認為經驗積累的過程也就是試錯的過程。他非常平實地闡述了深度網絡設計與訓練的現實情況，有些時候我甚至覺得他似乎是將深度學習視為一種經過修飾的曲線擬合。
摒棄一切與深度學習及人工智慧相關的炒作。吳恩達面對主流媒體發布的大量 AI 炒作信息作出了理智而認真的評論。在課程結束時，你將能夠明確一點：深度學習絕對不是「終結者」那種可怕的產物。
良好的樣板代碼應該能夠實現開箱即用！
擁有理想的課程結構。
良好、一致且極具實用性的符號。吳恩達嘗試建立一套新的神經網絡命名方法，我認為他給出的方案相當值得肯定。
與之前的機器學習課程風格一樣，吳恩達繼續延續其獨有的授課風格。在進行此次學習時，我興奮的心情與 2013 年首次接觸其機器學習課程時如出一轍。
深度學習技術大牛訪談部分令人耳目一新——聽取這些前輩的個人經歷不僅鼓舞人心，也極具趣味性。
我個人認為的欠缺之處
我希望吳恩達在解答問題時能夠更多地從具體的角度作出闡述。
從此項課程中獲得的其它收益
1. 深度學習並不簡單。你需要耗費大量時間並投入可觀的精力才能勉強「觸及」其概念，並讓自己的模型正常運轉。吳恩達不久前曾經發布過一條 quora 回答，並使我產生了強烈的共鳴。
2. 良好的工具非常重要，這將切實幫助大家提升學習速度。吳恩達在授課時會使用一根數位筆——這「誘使」我也買了一根，並發現它確實能夠提高工作效率。其中黑色部分為吳恩達的課件，其它顏色則是我的筆記。
3. 事實上，我之所以推薦大家在學習此課程前先進行 fast.ai 課程，還有另一個心理原因。畢竟只有激起了學習的熱情，你才能夠真正高效地掌握新知識。
4. 每一次得到滿分，多巴胺的旺盛分泌都會給我帶來前所未有的滿足感：
5. 不要被深度學習那些專業術語所嚇倒（例如 hyperparameters = settings, architecture/topology=style 之類），也千萬別因數學符號而止步。只要勇於嘗試並認真聽課，吳恩達會幫助大家一步步了解這些符號與表達式的豐富意義，並使其很快成為各位的技術利器！
有些符號看似可怕，但只要配合課程視頻的引導，你會發現其並不是那麼難以理解。
寫在最後（選讀內容）：
每個人都曾經是初學者。在深度學習領域，被專業術語及概念嚇到也在情理之中。但請千萬不要放棄——只要堅持學習，你很可能被其深深吸引並找到自己的動力。相信自己的直覺併集中精力，你一定能夠獲得成功！毫無疑問，吳恩達自己也是一步步學習線性代數的，畢竟沒人天生就能弄懂這些艱深的知識。
儘管本項課程非常出色，但大家同樣有很多其它的深度學習資源可供選擇。Salman Khan、Jeremy Howard、Sebastian Thrun 以及 Geoff Hinton 等熱心的傳授者同樣在網上免費分享著他們的知識與見解。也正因為這種知識民主化進程，我們才有機會制定自己的學習計劃，並從自己的偶像身上了解各類知識：編程（Gerald Sussman）、線性代數（Gilbert Strang）、人工智慧（Marvin Minsky）、哲學（Daniel Dennett）、心理學（Jean Piaget）以及物理學（Hans Bethe）等等。
大部分深度學習應用實踐屬於嚴謹的工程技術問題。吳恩達教授在第三項課程中（也是目前我最喜愛的課程）對此作出了極富趣味性的闡述。與解決任何複雜工程問題一樣，利用深度學習知識解決問題同樣需要正確的思維方式。因此，大家需要參閱幾十年前 Claude Shannon 已經明確建立起的理論體系。
理論體系：
https://medium.com/the-mission/a-genius-explains-how-to-be-creative-claude-shannons-long-lost-1952-speech-fbbcb2ebe07f
參考文章：
https://medium.com/@andrewng/deeplearning-ai-announcing-new-deep-learning-courses-on-coursera-43af0a368116