本文作者為 Andrey Nikishaev，既是軟件開(kāi)發(fā)者，也是創(chuàng)業(yè)者。
如何成為一名機(jī)器學(xué)習(xí)工程師？
經(jīng)常有人這么問(wèn)，這篇文章就嘗試回答這個(gè)問(wèn)題，其中會(huì)談到關(guān)于機(jī)器學(xué)習(xí)各方面，從簡(jiǎn)單的線性回歸到最新的神經(jīng)網(wǎng)絡(luò)。你不僅將學(xué)習(xí)如何使用這些技術(shù)，還將學(xué)習(xí)如何從頭開(kāi)始建構(gòu)。
這個(gè)指南主要針對(duì)電腦視覺(jué)（CV），這也是掌握一般知識(shí)的最快方式，從 CV 中抓取的經(jīng)驗(yàn)可簡(jiǎn)單應(yīng)用到機(jī)器學(xué)習(xí)的其他領(lǐng)域。
我們將使用 TensorFlow 為框架。這些課程需要你會(huì) Python，雖然不要求你是大師，但至少要懂基本知識(shí)（另外，都是英語(yǔ)授課）。
溫馨提示，學(xué)習(xí)知識(shí)與動(dòng)手實(shí)踐結(jié)合，效果更佳。
一、課程
1.1 約翰霍普金斯大學(xué)的實(shí)用機(jī)器學(xué)習(xí)
課程總共 4 周，用戶評(píng)分：4.4（5 分制，下同）
網(wǎng)址：https://www.coursera.org/learn/practical-machine-learning#syllabus
1.2 斯坦福大學(xué)的機(jī)器學(xué)習(xí)
課程總共 11 周，用戶評(píng)分：4.9。授課教師是大名鼎鼎的吳恩達(dá)。
網(wǎng)址：https://www.coursera.org/learn/machine-learning
上面兩節(jié)課，會(huì)教你數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的基本知識(shí)，并為下面的學(xué)習(xí)做好準(zhǔn)備。
1.3 CS231n：面向視覺(jué)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)
總共 16 堂課，目前已更新為 2017 春季最新版本。李飛飛是這節(jié)課的導(dǎo)師。
網(wǎng)址：http://cs231n.stanford.edu/
現(xiàn)在才算步入正軌。這是網(wǎng)絡(luò)上最好的機(jī)器學(xué)習(xí)與電腦視覺(jué)課程。
1.4 Google 講深度學(xué)習(xí)
整個(gè)課程大約耗時(shí) 3 個(gè)月，導(dǎo)師為 Google 首席科學(xué)家 Vincent Vanhoucke，以及 Google Brain 的技術(shù)負(fù)責(zé)人 Arpan Chakraborty。
在這個(gè)課程中，將教授深度學(xué)習(xí)的原理、設(shè)計(jì)可從復(fù)雜的大型數(shù)據(jù)集學(xué)習(xí)的智能系統(tǒng)、訓(xùn)練和最佳化基本的神經(jīng)網(wǎng)絡(luò)、CNN、LSTM 等。
網(wǎng)址：https://www.udacity.com/course/deep-learning–ud730
選修課。你可以只看其中練習(xí)的部分。
1.5 CS224d：面向自然語(yǔ)言處理的深度學(xué)習(xí)
總共 17 堂課。
網(wǎng)址：http://cs224d.stanford.edu/
選修課。建議給那些需要用到 NLP 的同學(xué)。課程內(nèi)容也很棒。
1.6 深度學(xué)習(xí)電子書(shū)
Leonardo Araujo dos Santos 整理的深度學(xué)習(xí)電子書(shū)。
網(wǎng)址：https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/
選看。這是一本涉及諸多機(jī)器學(xué)習(xí)領(lǐng)域的好書(shū)。
二、練習(xí)
這部分給了一堆教程和項(xiàng)目清單，你應(yīng)該逐一嘗試并了解它們的工作原理，以及考慮如何改進(jìn)提升。這個(gè)清單的存在，只是為了增加你對(duì)機(jī)器學(xué)習(xí)的興趣，所以遇到一些困難也別氣餒，當(dāng)你準(zhǔn)備好就可以隨時(shí)上手練習(xí)。
2.1 TensorFlow 上的簡(jiǎn)單練習(xí)
Kadenze 學(xué)院出品，總共 5 堂課。
網(wǎng)址：https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info
2.2 Tensorflow 食譜
這部分內(nèi)容來(lái)自 Nick McClure 的電子書(shū)《TensorFlow Machine Learning Cookbook》。
網(wǎng)址：https://github.com/nfmcclure/tensorflow_cookbook
2.3 Tensorflow-101 教程部分
這是一個(gè)用 Python 和 Jupyter Notebook 編寫(xiě)的教程。嘗試為 TensorFlow 初學(xué)者提供盡可能的詳細(xì)解譯，希望對(duì)大家有用。
網(wǎng)址：https://github.com/sjchoi86/Tensorflow-101
2.4 快速風(fēng)格轉(zhuǎn)移網(wǎng)絡(luò)
網(wǎng)址：https://github.com/lengstrom/fast-style-transfer
這個(gè)教程展示如何使用神經(jīng)網(wǎng)絡(luò)，將名畫(huà)風(fēng)格轉(zhuǎn)移到任何一張照片。
2.5 影像分割
這是一個(gè)使用 TensorFlow 實(shí)現(xiàn)的完全卷積網(wǎng)絡(luò)。作者 Marvin Teichmann 還提供如何把這部分字元集成到你的語(yǔ)義分割導(dǎo)管的示范。
網(wǎng)址：https://github.com/MarvinTeichmann/tensorflow-fcn
2.6 使用 SSD 達(dá)成物體識(shí)別
物體識(shí)別最快（也是最簡(jiǎn)單）的模型之一。
網(wǎng)址：https://github.com/balancap/SSD-Tensorflow
2.7 面向物體識(shí)別和語(yǔ)義分割的快速掩膜 RCNN
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
非常有用，特別是當(dāng)你想搭建一個(gè)機(jī)器人或下一個(gè) DotA AI 時(shí)。
2.9 Google Brain 團(tuán)隊(duì)的 Magenta 項(xiàng)目
網(wǎng)址：https://github.com/tensorflow/magenta/tree/master/magenta/models
這個(gè)項(xiàng)目旨在透過(guò)神經(jīng)網(wǎng)絡(luò)創(chuàng)造出色的藝術(shù)和音樂(lè)作品。
2.10 深度雙邊學(xué)習(xí)即時(shí)影像增強(qiáng)
網(wǎng)址：https://groups.csail.mit.edu/graphics/hdrnet/
一個(gè)很棒的影像增強(qiáng)演算法，來(lái)自 Google。
2.11 自動(dòng)駕駛汽車項(xiàng)目
網(wǎng)址：https://github.com/udacity/self-driving-car
想做一輛自動(dòng)駕駛汽車嗎？這是很好的入門(mén)。
三、FAQ
如果中途卡住了怎么辦？
首先，你得明白機(jī)器學(xué)習(xí)不是 100% 精確的東西，大多數(shù)情況下只是一個(gè)很好的猜測(cè)，且需要大量調(diào)整更新。大多數(shù)情況下，想出一個(gè)獨(dú)特的點(diǎn)子非常困難，因?yàn)槟愕臅r(shí)間和資源將耗費(fèi)在訓(xùn)練模型上。
所以，不要自己想解決方案。去搜索論文、項(xiàng)目，以及求助他人，積攢的經(jīng)驗(yàn)越多，你會(huì)做得越好。提供幾個(gè)可能有用的網(wǎng)站：
http://www.gitxiv.com
http://www.arxiv-sanity.com
https://arxiv.org
https://stackoverflow.com
為什么論文無(wú)法完全解決這個(gè)問(wèn)題，為什么論文有些地方是錯(cuò)的？
很遺憾，并不是所有科技人都想把成果公之于眾，但他們都需要發(fā)布論文來(lái)獲得“名”或“利”。所以一些人可能只發(fā)布部分素材，或者給錯(cuò)誤的公式。所以找到程序碼永遠(yuǎn)比找到論文更有用。
哪里可找到最新的數(shù)據(jù)？
參照上面建議過(guò)的幾個(gè)網(wǎng)站，尤其是 gitxiv.com，不僅能找到論文，而且還能找到程序碼，所以特別實(shí)用。
我應(yīng)該用云端計(jì)算還是桌機(jī)／筆記本電腦？
云端更適用大量計(jì)算需求的情況。對(duì)學(xué)習(xí)和測(cè)試來(lái)說(shuō)，使用桌機(jī)或筆電要便宜得多，當(dāng)然前提是有支持 CUDA 的顯卡。比方，我自己就用筆電訓(xùn)練模型，顯卡是有 690CUDA 核心的 GTX GeForce 960M。
當(dāng)然，如果有免費(fèi)的云資源可用，當(dāng)然要用。
如何調(diào)整超參數(shù)更好？
訓(xùn)練的主要問(wèn)題是時(shí)間。你不可能一直坐在那看著訓(xùn)練數(shù)據(jù)。因此，我建議你使用 Grid Search。基本上，只需要建立一組超參數(shù)和模型架構(gòu)，然后一個(gè)接一個(gè)執(zhí)行，并儲(chǔ)存結(jié)果。這樣就能晚上訓(xùn)練，白天比對(duì)結(jié)果，找到最有希望的那個(gè)。詳情可參照這個(gè)網(wǎng)址：http://scikit-learn.org/stable/modules/grid_search.html。
工程師常逛的網(wǎng)站
電子工程專輯 http://www.eet-china.com/
電子技術(shù)設(shè)計(jì) http://www.ednchina.com/
國(guó)際電子商情 http://www.esmchina.com/
機(jī)器人網(wǎng) http://www.roboticschina.com/
面包版社區(qū) https://www.mianbaoban.cn/
聯(lián)系客服
