1、从编码实例入手,不要从理论学习入手。这是最高效方法。
2、编码中遇到的数学问题,一定要理解背后的原理,数学公式要会自己推导。
3、由易入难。(花书《深度学习》名气很大,但对大部分人而言是噩梦)
4、一定要动手写代码。
1、范围:高等数学、线性代数、概率论和数理统计
(1)高等数学:主要是微积分。
(2)线性代数:主要是矩阵。如果对内积、特征值、奇异值分解(SDV)等概念真正理解,线性代数基本够用。
(3)概率论和数理统计:主要是正态分布、方差、贝叶斯概率等。
2、材料:教材很多,根据个人情况而选择,理解概念很重要。(看不懂,教材再有名也没有用)
1、编程语言和工具包:Python、numpy、pandas、Matplotlib、Scikit-learn等
2、操作系统:对Linux至少达到会用的水平。(写代码可以在Windows环境,但是商用公司不会用windows作为生产环境)Linux有多种发行版,Ubuntu、CentOS等都差不多。
3、编程IDE:推荐Jupyter,大型项目用Pycharm。
4、能力提升:有追求的同学建议学习编程规范、设计模式、持续交付等软件工程相关知识。
1、机器学习分类:传统机器学习、深度学习、强化学习(虽然不准确,但是大致如此)。
(1)传统机器学习:数据分析和挖掘、各种经典算法,包括:k-近邻算法、决策树、支持向量机、K-均值聚类算法、PCA、SDV等。
(2)深度学习:利用深度神经网络的机器学习,包括CNN、RNN等。
(3)强化学习:强化学习也会用到深度神经网络,但是面对的问题性和解决方法不同。
说明:各种书籍、教材、公开课实际上都会涉及上面三个内容,但是侧重不同。一般以”深度学习“冠名的材料,多数以第二条为主要内容。
2、应用领域分类:自然语言处理NLP、计算机视觉CV、推荐系统、知识图谱、风控模型、机器人控制等。
1、机器学习公开课:吴恩达《Machine Learning》
说明:吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似。
原课程主页:https://www.coursera.org/learn/machine-learning
有课程搬运网址,推荐:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes
2、机器学习公开课:林轩田《机器学习技法》和《机器学习技法》
3、深度学习公开课:吴恩达《Deep Learning》
4、深度学习公开课:Fast.ai《程序员深度学习实战》
5、强化学习公开课:Reinforcement Learning-David Silver
6、强化学习公开课:李宏毅《深度强化学习》
7、美国高校课程:斯坦福大学,CS231n: Convolutional Neural Networks for Visual Recognition,李飞飞等主讲
以上课程网上都可以搜到,国内有很多搬运网址(视频可以到B站找)。
1、TensorFlow (深度学习的不二之选)
2、PyTorch
3、其他:学习过程中会遇到很多工具包或者库,用的时候再学也不迟。
1、《Python机器学习手册》,实战类,主要内容是数据处理,涉及机器学习的基本功。
2、《机器学习实战》(英文:Machine Learning in Action),实战类,主要内容是传统机器学习经典算法(不涉及神经网络),有代码。
3、《Scikit-Learn 与 TensorFlow 机器学习实用指南》,实战类,主要内容是深度学习。
4、周志华的《机器学习》,俗称“西瓜书”,算法类,广受推荐。点评:经典,不适合入门,适合中阶读者。
5、李航《统计学习方法》,算法类,广受推荐。点评:经典,不适合入门,适合中阶读者。
6、由全球知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写《深度学习》,俗称”花书“,在世界范围名气很大。点评:只适合高阶读者,对于初学者而言就是一本”劝退书“。建议把这种书作为机器学习的”考试大纲“,而不是课本。
7、复旦教授邱锡鹏开源发布《神经网络与深度学习》,点评:讲述算法原理,良心出品。
8、《Reinforcement Learning_ An Introduction, 2nd Edition 》,点评:强化学习的经典书籍,国内强化学习材料多以此书为基础。
9、王树森的《深度强化学习》(有中英文)
说明:选书一要看口碑和评价,受众少被关注低的书少碰;二看是否适合自己,难度要适中。
在一个领域学习,一定要有名师指导,如果没有就多交朋友(交靠谱的朋友),多进入社区论坛(所谓的”圈子“)。要了解这个领域的动态,了解大家在关注和谈论什么。
1、论文网站:
(1)前沿Paper网站Arxiv:可以免费下载PDF论文
机器学习最新论文检索地址: https://arxiv.org/list/stat.ML/recent?ref=bestofml.com
(2)Papers with Code:可以找到论文的相关代码
这个网站叫做 Browse state-of-the-art。它将 ArXiv 上的最新深度学习论文与 GitHub 上的开源代码联系起来。是一个寻找论文和代码的利器。
主页地址: https://paperswithcode.com/sota
Github项目地址:github.com/zziz/pwc
2、参加比赛:Kaggle
3、知名会议:
即使参加不了会议,可以关注一下会议动态和最终论文。
通用领域会议:NeurIPS、ICML、ICLR、AAAI、IJCAI、UAI
计算机视觉会议:CVPR、ECCV、ICCV
自然语言处理会议:ACL、EMNLP、NAACL
知名期刊: JAIR、JMLR
机器人: CoRL、ICAPS、ICRA、IROS、RSS
4、知名博主和公众号:
黄海广博士、Datawhale,AI有道、ApacheCN等。
5、关注业界AI顶级实验室动态:
(1)DeepMind:目前属于谷歌,其最著名作品是AlphaGo
(2)OpenAI:由马斯克等人出资创立,其最著名作品是GPT-3
(3)FAIR: facebook旗下
联系客服