量子位 出品 | 公众号 QbitAI 这篇文章的作者为Andrey Nikishaev,他既是一个软件开发者,也是一个创业者。 如何成长为一名机器学习工程师? 经常有人这么问,而这篇文章就尝试回答这个问题,其中会谈到关于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。你不仅将学习如何使用这些技术,还将学习如何从头开始构建它们。 这个指南主要面向计算机视觉(CV),这也是掌握一般知识的最快方式,从CV中获取的经验可以简单地应用到机器学习的其他领域。 我们将使用TensorFlow作为框架。这些课程需要你会Python,虽然不要求你是大师,但至少要懂基本的知识。(另外,都是英语授课) 温馨提示,学习知识与动手实践相结合效果更佳。 1. 课程 1.1 约翰霍普金斯大学的实用机器学习 课程总共4周,用户评分:4.4(5分制,下同) 地址: https://www./learn/practical-machine-learning#syllabus 1.2 斯坦福大学的机器学习 课程总共11周,用户评分:4.9。授课教师是大名鼎鼎的吴恩达。 地址: https://www./learn/machine-learning 上面两节课,会教给你数据科学和机器学习的基本知识,并为下面的学习做好准备。 1.3 CS231n:面向视觉识别的卷积神经网络 总共16个课时,目前已更新为2017春季的最新版本。李飞飞是这节课程的导师。 地址: http://cs231n./ 现在才算步入正轨。这是网上最好的机器学习与计算机视觉课程。 1.4 Google讲深度学习 整个课程大约耗时三个月,导师为Google首席科学家Vincent Vanhoucke,以及Google Brain的技术负责人Arpan Chakraborty。 在这个课程中,将会教授深度学习的原理、设计可以从复杂的大型数据集学习的智能系统、训练和优化基本的神经网络、CNN、LSTM等。 地址: https://www./course/deep-learning--ud730 选修课。你可以只看其中练习的部分。 1.5 CS224d:面向自然语言处理的深度学习 总共17个课时。 地址: http://cs224d./ 选修课。推荐给那些需要用到NLP的同学。课程内容也很棒。 1.6 深度学习电子书 Leonardo Araujo dos Santos整理的深度学习电子书。 地址: https://leonardoaraujosantos./artificial-inteligence/content/ 选看。这是一本涉及诸多机器学习领域的好书。 2. 练习 这部分给了一堆教程和项目的清单,你应该逐一尝试并了解它们的工作原理,以及考虑如何进行改进提升。这个列表的存在,只是为了增加你对机器学习的兴趣,所以遇到一些困难也别气馁,当你准备好就可以随时上手练习。 2.1 TensorFlow上的简单练习 Kadenze学院出品,总共5个课时。 地址: https://www./courses/creative-applications-of-deep-learning-with-tensorflow-iv/info 2.2 Tensorflow菜谱 这部分内容来自Nick McClure的电子书《TensorFlow Machine Learning Cookbook》。 地址: https://github.com/nfmcclure/tensorflow_cookbook 2.3 Tensorflow-101教程部分 这是一个用Python和Jupyter Notebook编写的教程。试图为TensorFlow初学者提供尽可能的详细解释,希望对大家有用~ 地址: https://github.com/sjchoi86/Tensorflow-101 2.4 快速风格迁移网络 地址: https://github.com/lengstrom/fast-style-transfer 这个教程展示了如何使用神经网络,将名画的风格迁移到任何一张照片上。 2.5 图像分割 这是一个使用TensorFlow实现的完全卷积网络。作者Marvin Teichmann还提供了如何把这部分代码集成到你的语义分割管道中的示例。 地址: https://github.com/MarvinTeichmann/tensorflow-fcn 2.6 使用SSD实现物体识别 物体识别最快(也是最简单)的模型之一 地址: https://github.com/balancap/SSD-Tensorflow 2.7 面向物体识别和语义分割的快速掩膜RCNN 地址: https://github.com/CharlesShang/FastMaskRCNN 2.8 强化学习 地址: https://github.com/dennybritz/reinforcement-learning 非常有用,特别是当你想搭建一个机器人或者下一个DotA AI时。 2.9 Google大脑团队的Magenta项目 地址: https://github.com/tensorflow/magenta/tree/master/magenta/models 这个项目旨在通过神经网络创造出色的艺术和音乐作品。 2.10 深度双边学习实时图像增强 地址: https://groups.csail./graphics/hdrnet/ 一个很棒的图像增强算法,来自Google。 2.11 自动驾驶汽车项目 地址: https://github.com/udacity/self-driving-car 想造一辆自动驾驶汽车么?这是一个很好的入门。 3. FAQ 如果中途卡住了怎么办? 首先,你得明白机器学习不是100%精确的东西,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。大多数情况下,想出一个独特的点子是非常困难的,因为你的时间和资源将耗费在训练模型上。 所以,不要自己想解决方案。去搜索论文、项目,以及求助他人,积攒的经验越多,你会干的越好。给几个可能有用的网站: http://www. http://www. https:// https:// 为什么论文不能完全解决这个问题,为什么论文有些地方是错的? 很遗憾,并不是所有的科技人员都想把他们的成果公之于众,但他们都需要发表论文来获得“名“或者”利”。所以一些人可能只发布部分素材,或者给出错误的公式。所以找到代码永远比找到论文更有用。 哪里可找到最新的资料? 参考上面推荐过的几个网站,尤其是,不仅仅能找到论文,而且还能找到代码,所以特别实用。 我应该用云计算还是台式机/笔记本电脑? 云更适用于有大量计算需求的情况。对于学习和测试来说,使用台式机/笔记本电脑要便宜得多,当然前提是配有支持CUDA的显卡。比方,我自己就用一个笔记本训练模型,显卡是带有690CUDA核心的GTX GeForce 960M。 当然,如果有免费的云资源可用,当然要用。 如何更好地调整超参数? 训练的主要问题是时间。你不可能一直坐在那看着训练数据。因此,我建议你使用Grid Search。基本上,只需要创建一组超参数和模型架构,然后一个接一个的运行,并保存结果。这样就能晚上训练,白天比较结果,找到最有希望的那个。 详情可以参考这个网址: http:///stable/modules/grid_search.html — 完 — |
|