機(jī)器學(xué)習(xí)工程師自學(xué)指南

???? 本文將會(huì)介紹機(jī)器學(xué)習(xí)的方方面面，從簡(jiǎn)單的線性回歸到最新的神經(jīng)網(wǎng)絡(luò)，你不僅僅能學(xué)會(huì)如何使用它們，并且還能從零進(jìn)行構(gòu)建。

???? 以下內(nèi)容以計(jì)算機(jī)視覺為導(dǎo)向，這是學(xué)習(xí)一般知識(shí)的最快方法，并且你從中獲得的經(jīng)驗(yàn)可以很容易地遷移到機(jī)器學(xué)習(xí)的其他領(lǐng)域。

???? 本文我們將會(huì)使用TensorFlow作為機(jī)器學(xué)習(xí)框架。

???? 學(xué)習(xí)是一個(gè)多維因素作用的結(jié)果，所以如果能基于學(xué)習(xí)資料，理論和實(shí)踐并重，學(xué)習(xí)效果會(huì)好很多。另外，還有一個(gè)很好的實(shí)踐方法是參與Kaggle競(jìng)賽，通過競(jìng)賽的形式解決實(shí)際生活中的問題，從而鞏固此前所學(xué)。

（要求：關(guān)于Python，你無(wú)需達(dá)到專家級(jí)別，但要很好地掌握基礎(chǔ)知識(shí)）

1.課程

1.1 實(shí)用機(jī)器學(xué)習(xí)（約翰霍普金斯大學(xué)）

www.coursera.org/learn/pract…

1.2 機(jī)器學(xué)習(xí)（斯坦福大學(xué)）

www.coursera.org/learn/machi…

以上兩個(gè)課程會(huì)教你一些數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，也有助于你對(duì)更有難度知識(shí)的學(xué)習(xí)和掌握。

1.3 CS231n：面向視覺識(shí)別的卷積神經(jīng)網(wǎng)絡(luò) 2017 (2016)

cs231n.stanford.edu/

該課程是網(wǎng)上關(guān)于ML & CV最好的課程之一，不僅能讓你了解這里邊的水有多深，還能為你進(jìn)一步的研究探索打下良好的基礎(chǔ)。

1.4 深度學(xué)習(xí)（Udacity的課程）

www.udacity.com/course/deep…

1.5 CS224d：面向自然語(yǔ)言處理的深度學(xué)習(xí)

cs224d.stanford.edu/

1.6 深度學(xué)習(xí)相關(guān)的電子書（涵蓋了ML的方方面面）

leonardoaraujosantos.gitbooks.io/artificial-…

2.實(shí)戰(zhàn)

以下是課程和項(xiàng)目列表，有助于理解運(yùn)行原理并找到提升辦法。

2.1. Tensorflow 相關(guān)的簡(jiǎn)單練習(xí)課

www.kadenze.com/courses/cre…

2.2. Tensorflow cookbook

github.com/nfmcclure/t…

2.3. Tensorflow-101教程部分

github.com/lengstrom/f…

2.4. 如何使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像風(fēng)格遷移。

github.com/lengstrom/f…

2.5 圖像分割

github.com/MarvinTeich…

2.6 使用SSD實(shí)現(xiàn)物體識(shí)別

github.com/balancap/SS…

2.7 面向物體識(shí)別和分割的快速掩膜RCNN

github.com/CharlesShan…

2.8 強(qiáng)化學(xué)習(xí)，對(duì)搭建一個(gè)機(jī)器人或者Dota AI非常有用。

github.com/dennybritz/…

2.9 Google Brain團(tuán)隊(duì)的Magenta項(xiàng)目

github.com/tensorflow/…

2.10 深度度雙邊學(xué)習(xí)實(shí)時(shí)圖像增強(qiáng)

groups.csail.mit.edu/graphics/hd…

2.11 自動(dòng)駕駛汽車項(xiàng)目

github.com/udacity/sel…

3. FAQ

學(xué)習(xí)過程中遇到困難怎么辦？

首先，你必須明白機(jī)器學(xué)習(xí)不是100%精確的，大多數(shù)情況下只是一個(gè)很好的猜測(cè)并且需要大量的調(diào)整迭代。因此，在大多數(shù)情況下，想出一些獨(dú)特的想法是非常困難的，因?yàn)槟愕臅r(shí)間和資源大多會(huì)花在訓(xùn)練模型上。所以不要試圖獨(dú)自找出解決方案，你可以搜索論文、項(xiàng)目以及找可以幫助你的人。可以說，在獲得經(jīng)驗(yàn)方面越快越好。

以下這些網(wǎng)站可以幫得到你：

• www.gitxiv.com/

• www.arxiv-sanity.com/

• arxiv.org/, https://s…

為什么論文不能完全解決問題，或者在一些特定情況下為什么論文被驗(yàn)證是錯(cuò)的？

很遺憾的說，并不是所有的科技人員都愿意公開自己的研究成果，但他們需要通過發(fā)表論文來(lái)獲得收益或者名望。所以他們中的一些人只公布了一部分材料，或者給出了錯(cuò)誤的公式。所以我們最好搜索代碼，而不是論文。論文只是解決了特定問題的證據(jù)或者事實(shí)。

從哪里查找最新的學(xué)習(xí)資料？

• www.gitxiv.com/，不僅能找到最新論文，還能找到所需要的代碼。

• www.arxiv-sanity.com/

• arxiv.org/

用云計(jì)算還是臺(tái)式機(jī)/筆記本電腦？

在有大量計(jì)算需求的情況下，云計(jì)算是最好的選擇。對(duì)于學(xué)習(xí)和測(cè)試，使用帶有支持CUDA的顯卡的PC/筆記本電腦要便宜得多。當(dāng)然，如果你有免費(fèi)云資源或多余資金，還是使用云比較好。

如何提高調(diào)超參數(shù)技能？

訓(xùn)練中的主要問題是時(shí)間，你不可能一直坐在那里盯著訓(xùn)練數(shù)據(jù)，因此建議你使用Grid Search。只需要?jiǎng)?chuàng)建一組超參數(shù)和模型架構(gòu)，一個(gè)接一個(gè)的運(yùn)行，并保存結(jié)果。這樣你就能晚上訓(xùn)練，在接下來(lái)的一天對(duì)比結(jié)果，直至找到最有希望的那個(gè)。

你可以看看如何在sklearn庫(kù)中完成這個(gè)操作：

scikit-learn.org/stable/modu…

總結(jié)

以上是生活随笔為你收集整理的资源 | 普通程序员如何自学机器学习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。