|
從簡單的線性回歸（linear regressoin）到最新的神經(jīng)網(wǎng)絡(luò)（neural network），我們將引導(dǎo)你學(xué)習(xí)機(jī)器學(xué)習(xí)（ML：machine learning）的各個(gè)方面，不僅學(xué)習(xí)如何使用它們，而且學(xué)習(xí)如何從頭開始構(gòu)建它們。 這條學(xué)習(xí)路徑的很大一部分是以計(jì)算機(jī)視覺（CV: Computer Vision）為導(dǎo)向的，因?yàn)樗谦@得機(jī)器學(xué)習(xí)領(lǐng)域的知識(shí)的最快方法，CV的經(jīng)驗(yàn)可以簡單地轉(zhuǎn)移到任何ML領(lǐng)域。 我們將使用TensorFlow作為ML框架，因?yàn)樗悄壳翱磥碜钣星巴镜臋C(jī)器學(xué)習(xí)框架，并且可以直接用于生產(chǎn)環(huán)境。 如果你在學(xué)習(xí)理論和實(shí)踐的同時(shí)加以實(shí)踐，那么學(xué)習(xí)效果會(huì)更好。 此外，如果你想嘗試解決現(xiàn)實(shí)生活中的實(shí)際問題，我建議你在Kaggle注冊(cè)，因?yàn)檫@種競賽有助于豐富你的簡歷。 基本技能要求：Python。 你不需要是一個(gè)Python專家，掌握基本的知識(shí)就夠了。碰到問題可以查手冊(cè)。 1. 課程1.1 約翰霍普金斯大學(xué)的實(shí)用機(jī)器學(xué)習(xí) 網(wǎng)址： https://www./learn/practical-machine-learning 1.2 斯坦福大學(xué)的機(jī)器學(xué)習(xí) 網(wǎng)址： https://www./learn/machine-learning 這兩個(gè)課程主要是關(guān)于數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)方面的基本知識(shí)，讓你為解決真正的問題做好基礎(chǔ)知識(shí)的準(zhǔn)備。 1.3 Andrew Ng的深度學(xué)習(xí)課程 網(wǎng)址：https://www./specializations/deep-learning 1.4 CS231n：用于視覺識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)2017 網(wǎng)址：http://cs231n./ 這是你可以在互聯(lián)網(wǎng)上找到有關(guān)ML＆CV的最好的課程之一。 它不僅會(huì)告訴你計(jì)算機(jī)視覺現(xiàn)在可以達(dá)到的高度，而且會(huì)幫你打好基礎(chǔ)以便進(jìn)一步深入。 1.5 Google深度學(xué)習(xí) 網(wǎng)址：https://www./course/deep-learning--ud730 可選課程。 你可以只學(xué)習(xí)其中的實(shí)戰(zhàn)部分。 1.6 CS224d：使用深度學(xué)習(xí)進(jìn)行自然語言處理 網(wǎng)址：http://cs224d./ 如果要使用自然語言處理（NLP: Natural Language Processing）技術(shù)，可以選擇這門課程。 嗯，很棒的課程。 1.7 深度學(xué)習(xí)書 網(wǎng)址：https://leonardoaraujosantos./artificial-inteligence/content/ 很好的手冊(cè)，涵蓋ML的諸多方面。 2.實(shí)用部分這份清單包括許多教程和項(xiàng)目，你可以嘗試、理解它們是如何工作的，并考慮如何進(jìn)行改進(jìn)。 這個(gè)清單是為了增加你對(duì)ML的專業(yè)知識(shí)了解和興趣而整理的，所以如果其中某些任務(wù)對(duì)你現(xiàn)在來說還很難，那么不妨在你打好基礎(chǔ)以后再回頭學(xué)習(xí)。 2.1 Kadenze的Tensorflow簡明實(shí)踐課程 網(wǎng)址：https://www./courses/creative-applications-of-deep-learning-with-tensorflow-iv/info 2.2 Tensorflow碼書 網(wǎng)址：https://github.com/nfmcclure/tensorflow_cookbook 2.3 Tensorflow-101教程集 網(wǎng)址：https://github.com/sjchoi86/Tensorflow-101 2.4 快速風(fēng)格遷移網(wǎng)絡(luò) 網(wǎng)址：https://github.com/lengstrom/fast-style-transfer 講解如何使用神經(jīng)網(wǎng)絡(luò)將繪畫風(fēng)格遷移到任何照片上。 2.5 圖像分割 網(wǎng)址：https://github.com/MarvinTeichmann/tensorflow-fcn 2.6 使用SSD進(jìn)行對(duì)象檢測 網(wǎng)址：https://github.com/balancap/SSD-Tensorflow SSD是用于對(duì)象檢測的最快、也更簡單的模型之一。 2.7 用于對(duì)象檢測和分割的快速掩碼遞歸卷積網(wǎng)絡(luò) 網(wǎng)址：https://github.com/CharlesShang/FastMaskRCNN 2.8 強(qiáng)化學(xué)習(xí) 網(wǎng)址：https://github.com/dennybritz/reinforcement-learning 強(qiáng)化學(xué)習(xí)是非常有用的機(jī)器學(xué)習(xí)技術(shù)，特別是如果你想打造一個(gè)智能機(jī)器人或下一個(gè)Dota AI :) 2.9 來自Google Brain團(tuán)隊(duì)的Magenta項(xiàng)目 網(wǎng)址：https://github.com/tensorflow/magenta/tree/master/magenta/models 該項(xiàng)目旨在利用神經(jīng)網(wǎng)絡(luò)創(chuàng)作藝術(shù)和音樂。 成果相當(dāng)可觀。 2.10 用于實(shí)時(shí)圖像增強(qiáng)的深度雙邊學(xué)習(xí) 網(wǎng)址：https://groups.csail./graphics/hdrnet/ 來自Google的新算法，用于圖片增強(qiáng) 2.11 自動(dòng)駕駛項(xiàng)目 網(wǎng)址：https://github.com/udacity/self-driving-car 想讓你的車實(shí)現(xiàn)全自動(dòng)駕駛？ - 這是一個(gè)很好的起點(diǎn)。 3.常見問題如果卡住了怎么辦？首先，你必須明白，ML不是100％精確的 - 大多數(shù)情況下只能是一個(gè)很好的猜測和大量的調(diào)整迭代。 因此，在大多數(shù)情況下，因?yàn)槟慊ㄙM(fèi)在模型訓(xùn)練上的時(shí)間和資源的限制，靠自己提出一些獨(dú)特的想法是非常困難的。 所以盡量不要試圖自己找出解決方案 - 搜索論文、項(xiàng)目、可以幫助你的人。 越快獲得經(jīng)驗(yàn)越好。 有些網(wǎng)站可以幫助你：
為什么論文中有錯(cuò)誤？很可惜，但并不是所有的技術(shù)人員都想公開其工作，但是他們都需要出版物才能獲得資助和聲譽(yù)。 所以有些人只是公布一部分材料，或者是故意在公式中引入錯(cuò)誤。 這就是為什么搜索代碼要好于論文。 你應(yīng)該把這些論文看作是某個(gè)問題已經(jīng)得到解決的證據(jù)或事實(shí)。 在哪里可以找到最新的資料？我使用這幾個(gè)網(wǎng)站來跟蹤機(jī)器學(xué)習(xí)領(lǐng)域的最新進(jìn)展：
首先你可以找到的不僅僅是一篇論文，而且其中包含有實(shí)驗(yàn)代碼，所以更實(shí)用。 使用云計(jì)算還是筆記本電腦？云計(jì)算是密集型計(jì)算的最佳選擇。 對(duì)于學(xué)習(xí)和測試而言，使用帶有CUDA圖形卡的PC /筆記本電腦則要便宜得多。 例如，我使用裝有GTX GeForce 960M顯卡的筆記本電腦訓(xùn)練所有的模型。 當(dāng)然，如果你已經(jīng)有云或可以免費(fèi)獲得的云資源，可以使用它。 如何改進(jìn)模型超參數(shù)的調(diào)整？訓(xùn)練中的主要問題是需要時(shí)間。 你不能坐下來一直盯著訓(xùn)練數(shù)據(jù)看。 出于這個(gè)原因，我建議你使用網(wǎng)格搜索（grid search）。 基本上，只需創(chuàng)建超參數(shù)集和模型體系結(jié)構(gòu)，然后一個(gè)接一個(gè)地運(yùn)行并保存結(jié)果。 因此，你可以在晚上進(jìn)行訓(xùn)練，并在第二天比較結(jié)果，從而找出最好的參數(shù)。 你可以看看在sklearn庫中是如何進(jìn)行網(wǎng)格搜索的， 建議你收藏這篇文章，我相信你會(huì)時(shí)不時(shí)地需要它：-） 原文：How To Become A Machine Learning Engineer: Learning Path |
|
|
