普通程序员如何自学机器学习?这里有一份指南~ AI

2017-12-04 干货资源 AI科技大本营

机器学习工程师自学指南!

本文将会介绍机器学习的方方面面,从简单的线性回归到最新的神经网络,你不仅仅能学会如何使用它们,并且还能从零进行构建。

以下内容以计算机视觉为导向,这是学习一般知识的最快方法,并且你从中获得的经验可以很容易地迁移到机器学习的其他领域。

本文我们将会使用TensorFlow作为机器学习框架。

学习是一个多维因素作用的结果,所以如果能基于学习资料,理论和实践并重,学习效果会好很多。另外,还有一个很好的实践方法是参与Kaggle竞赛,通过竞赛的形式解决实际生活中的问题,从而巩固此前所学。

(要求:关于Python,你无需达到专家级别,但要很好地掌握基础知识)

1.课程

1.1  实用机器学习(约翰霍普金斯大学)

https://www.coursera.org/learn/practical-machine-learning

1.2  机器学习(斯坦福大学)

以上两个课程会教你一些数据科学和机器学习的基础知识,也有助于你对更有难度知识的学习和掌握。

https://www.coursera.org/learn/machine-learning

1.3 CS231n:面向视觉识别的卷积神经网络 2017 (2016)

该课程是网上关于ML & CV最好的课程之一,不仅能让你了解这里边的水有多深,还能为你进一步的研究探索打下良好的基础。

http://cs231n.stanford.edu/

1.4 深度学习(Udacity的课程)

https://www.udacity.com/course/deep-learning–ud730

1.5 CS224d:面向自然语言处理的深度学习

http://cs224d.stanford.edu/

1.6 深度学习相关的电子书(涵盖了ML的方方面面)

https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/

2.实战

以下是课程和项目列表,有助于理解运行原理并找到提升办法。

2.1. Tensorflow 相关的简单练习课

https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info

2.2. Tensorflow cookbook

https://github.com/nfmcclure/tensorflow_cookbook

2.3. Tensorflow-101教程部分

https://github.com/lengstrom/fast-style-transfer

2.4. 如何使用神经网络实现图像风格迁移。

https://github.com/lengstrom/fast-style-transfer

2.5 图像分割

https://github.com/MarvinTeichmann/tensorflow-fcn

2.6 使用SSD实现物体识别

https://github.com/balancap/SSD-Tensorflow

2.7 面向物体识别和分割的快速掩膜RCNN

https://github.com/CharlesShang/FastMaskRCNN

2.8 强化学习,对搭建一个机器人或者Dota AI非常有用。

https://github.com/dennybritz/reinforcement-learning

2.9 Google Brain团队的Magenta项目

https://github.com/tensorflow/magenta/tree/master/magenta/models

2.10 深度度双边学习实时图像增强

https://groups.csail.mit.edu/graphics/hdrnet/

2.11 自动驾驶汽车项目

https://github.com/udacity/self-driving-car

3. FAQ

学习过程中遇到困难怎么办?

首先,你必须明白机器学习不是100%精确的,大多数情况下只是一个很好的猜测并且需要大量的调整迭代。因此,在大多数情况下,想出一些独特的想法是非常困难的,因为你的时间和资源大多会花在训练模型上。所以不要试图独自找出解决方案,你可以搜索论文、项目以及找可以帮助你的人。可以说,在获得经验方面越快越好。

以下这些网站可以帮得到你:

  • http://www.gitxiv.com/
  • http://www.arxiv-sanity.com/
  • https://arxiv.org/, https://stackoverflow.com

为什么论文不能完全解决问题,或者在一些特定情况下为什么论文被验证是错的?

很遗憾的说,并不是所有的科技人员都愿意公开自己的研究成果,但他们需要通过发表论文来获得收益或者名望。所以他们中的一些人只公布了一部分材料,或者给出了错误的公式。所以我们最好搜索代码,而不是论文。论文只是解决了特定问题的证据或者事实。

从哪里查找最新的学习资料?

  • http://www.gitxiv.com/,不仅能找到最新论文,还能找到所需要的代码。
  • http://www.arxiv-sanity.com/
  • https://arxiv.org/

用云计算还是台式机/笔记本电脑?

在有大量计算需求的情况下,云计算是最好的选择。对于学习和测试,使用带有支持CUDA的显卡的PC/笔记本电脑要便宜得多。当然,如果你有免费云资源或多余资金,还是使用云比较好。

如何提高调超参数技能?

训练中的主要问题是时间,你不可能一直坐在那里盯着训练数据,因此建议你使用Grid Search。只需要创建一组超参数和模型架构,一个接一个的运行,并保存结果。这样你就能晚上训练,在接下来的一天对比结果,直至找到最有希望的那个。

你可以看看如何在sklearn库中完成这个操作:

http://scikit-learn.org/stable/modules/grid_search.html


分享:
hq Asked on 2017年12月7日 in AI.
Add Comment
0 Answer(s)

Your Answer

By posting your answer, you agree to the privacy policy and terms of service.