机器学习应用如何入门,机器学习小白入门教材

首页 > 教育 > 作者:YD1662024-07-07 23:29:55

前三门课程涉及一般的神经网络和深度学习,第四、第五门课程涉及特定主题。如果你打算搞视觉,第四课必听;如果你搞NLP、音频等,第五课必听。但如果你需要听第五课,那么建议也把第四课好好听一下。

这里鼓励大家一下,课程里每周的内容,实际上一两天就能学完,所以不要被课程表吓倒。劳逸集合、提升效率。

学到这个地步,其实就可以再去http://neuralnetworksanddeeplearning.com/ ,查看第三到第六章的内容,来强化你的概念。如果你有什么还没搞懂的,请前往Olah的博客。

以及,这时候你要开始看深度学习的论文了,从中学习知识。深度学习有个强烈的特点,那就是内容都非常新,阅读论文是跟上时代唯一的方法。不想被抛下,那么还是养成阅读论文的好习惯吧。

Part 3:深度学习上手练(两个月)

学到这里,你应该对机器学习和深度学习中的大多数概念有了正确的理解,现在是时候投入沸腾的实际生活中了。

练手深度学习,最好的资源在fast.ai。

机器学习应用如何入门,机器学习小白入门教材(9)

传送门在此:http://course.fast.ai/

他们在流行的深度学习工具PyTorch上构建了一个库,只需要几行代码,就能实现世界级的性能。

fast.ai的理念有点不同。吴恩达等老师的教授方法是自上而下,先讲再做。而fast.ai倡导自下而上,先做再讲。

所以在他们的课程中,第一节就带你建立一个强大的图像分类器。自己训练模型的快感,刺激着你去完成其余的课程。

机器学习应用如何入门,机器学习小白入门教材(10)

除此以外,还要推荐两门课。

斯坦福大学的CS231n和CS224n。CS231n专注于计算机视觉的深度学习,而CS224n专注于序列建模。

CS231n,李飞飞等主讲。

官网传送门:http://cs231n.stanford.edu/

CS224n,目前是Richard Socher主讲。

官网传送门:http://web.stanford.edu/class/cs224n/

此前的课程,网上也有中文字幕版本,大家可自行搜索。

到这里,为期五个月的机器/深度学习入门就结束了。

希望大家都能稳扎稳打,夯实基础。

以及最后,兑现一个开头的承诺。如果你确实时间很紧张,必须尽快入门机器/深度学习,那么请看——

速成指南

我最多只有俩月

1、完成吴恩达机器学习课程的前五周,要做编程练习。

2、看完3Blue1Brown的视频。

3、完成吴恩达的深度学习专项系列课程,做练习。

4、如果你想搞图像,看专项课程第四讲,搞NLP或序列数据,看第五讲。

5、搜索你感兴趣的开源实现。如果你还没想好用什么语言,推荐Keras。然后根据需要,再迁到TensorFlow或者PyTorch框架。

我,只有一个月

想要在30天完成入门超级困难。除非,你只是想了解机器学习的工作原理,然后应用到自己的项目中。

如果是这样的话,速成建议如下:

1、略读吴恩达机器学习课程第1-5周的课程,只看视频,掌握概念即可。第三周可以跳过MATLAB/Octave课程。

2、看完3Blue1Brow的视频。

3、略读吴恩达深度学习专项系列课程的第一课,也就是神经网络和深度学习。

4、如果你想做图像处理项目,看一下Nielsen书中的第六章:http://neuralnetworksanddeeplearning.com/chap6.html

如果你需要序列建模的一些想法,可以看看Olah的博客:http://colah.github.io/posts/2015-08-Understanding-LSTMs/

5、Siraj Raval拍了很多有趣的视频,涉及大多数机器/深度学习的主题。传送门在此:https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A

6、搜索跟你感兴趣的开源实现,随时调整以满足你的需求。如前所述,我推荐你先用带有TensorFlow后端的Keras语言。

其他资源

YouTube上有一个两分钟读论文的系列视频,可以帮你快速了解全球深度学习的最热门进展。

如果你关注进机器学习领域的进展,Twitter是个绝佳的工具。

遇到困境的时候,记得reddit和Facebook上有很多志同道合的人,不要犹豫,在社区里寻求帮助,大家会伸出援手。

结论

机器学习和深度学习是当今世界最具魅力的技术之一。而且这个领域的深度学习专家总是处于稀缺的状态。从职业前景来看,深度学习非常吸引人。

需要提醒的是,与计算机学科的其他领域不同,深度学习的资源还不够丰富。很多时候你会遇到失败挫折,千万不要灰心丧气,你可以向更多人寻求帮助,很多人都愿意伸出援手,大家都在学习。

关于机器/深度学习,有一个误解是需要计算机科学的背景才能学习。这不是真的,你确实需要一些编程的思维才好入手,但也仅限于此。现在机器学习领域的很多专家,都来自其他研究领域。

如果你有计算机科学的背景,这是一个非常好的开始。但如果你出身其他学科,想要迎头赶上并不难。

感谢看到这里。

机器学习应用如何入门,机器学习小白入门教材(11)

如果你有任何问题或者建议,欢迎留言。如果你想直接跟本文热情的原作者联系,这里是传送门:

https://medium.com/@youngladesh/absolute-beginners-guide-to-machine-learning-and-deep-learning-7fa032944047

— 完 —

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

上一页123末页

栏目热文

文档排行

本站推荐

Copyright © 2018 - 2021 www.yd166.com., All Rights Reserved.