從線性回歸到神經網路，機器學習工程師的進階之路

原文來源：hackernoon

作者：AndreyNikishaev

「機器人圈」編譯：嗯~阿童木呀、多啦A亮

在開始之前，我想告訴大家，我們將從最簡單的線性回歸開始，一直到最新的神經網路，從而讓你能夠了解機器學習的所有方面，相信你學習之後，不僅懂得該如何使用它們，還知道該如何從頭開始構建它們。

其實，這條學習之路中大部分知識是基於計算機視覺（CV）的，因為它是一條獲得一般知識的最佳捷徑，而從CV中獲得的經驗知識可以簡單地轉移到任何機器學習（ML）領域。

我們將使用TensorFlow作為ML框架，因為它是最有前途且早已準備充足的學習材料。

還有一點需要聲明的是，如果你現在正在學習相關理論和材料，且同時不斷地從已學材料中獲得經驗的話，學習效果將會更好。

此外，如果你想與那些能夠解決現實生活問題的人競爭，我建議你在Kaggle上註冊成為會員，以學習更多知識，因為它可能是你的簡歷中一個很好的加分項。

要求

Python，當然，你不必是成為一個導師，只要將基礎的知識掌握牢靠就很好了。關於其他任何相關知識，這裡有補充手冊。）

1.課程

1.1約翰霍普金斯大學的實用機器學習。

（https://www.coursera.org/learn/practical-machine-learning）

1.2斯坦福大學的機器學習

（https://www.coursera.org/learn/machine-learning）

前兩個課程主要講的是數據科學和機器學習的基本知識，從而使你準備充分開始一個真正的機器學習的艱難旅程。

（2016的版本在此處

http://academictorrents.com/details/46c5af9e2075d9af06f280b55b65cf9b44eb9fe7）

這就是你開始要好好學習的東西了，這是你能夠在互聯網上找到關於ML和CV的最好的課程。它不僅會告訴你這個領域的知識有多麼深，而且還會為你提供進一步調查的良好基礎。

1.4 *Google深度學習（https://www.udacity.com/course/deep-learning--ud730）

可選課程。你可以只選擇其中的實用部分。

對於那些想要掌握自然語言處理的人來說這是一個可選課程。不過，它確實很棒）

1.6 *深度學習教材（https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/）

這是涵蓋了ML許多方面的實用手冊。

2.實踐部分

該列表包括許多教程和項目，你可以試著去運行相關程序，了解它們的工作原理，並考慮該如何改進它們。創建這個列表的目的就是增加你在ML領域的專業知識和興趣，所以即使有些任務對你來說很難，也不要害怕，你可以在準備就緒時再回頭開始嘗試。

2.1來自Kadenze的Tensorflow的簡單實踐課程

（https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info）

2.2Tensorflow教學集（https://github.com/nfmcclure/tensorflow_cookbook）

2.3Tensorflow-101教程集

（https://github.com/sjchoi86/Tensorflow-101）

2.4快速風格遷移網路

（https://github.com/lengstrom/fast-style-transfer）

這將顯示如何使用神經網路將名畫中的風格遷移到任何照片中。

2.5圖像分割

（https://github.com/MarvinTeichmann/tensorflow-fcn）

2.6使用SSD進行目標檢測

（https://github.com/balancap/SSD-Tensorflow）

用於對象檢測的最快（也更簡單）的模型之一。

2.7用於目標檢測和分割的快速掩碼RCNN（https://github.com/CharlesShang/FastMaskRCNN）

2.8強化學習

（https://github.com/dennybritz/reinforcement-learning）

非常有用的知識，特別是如果你想建立一個機器人或下一個Dota AI。

2.9來自Google Brain團隊的Magenta項目

（https://github.com/tensorflow/magenta/tree/master/magenta/models）

旨在通過神經網路創造令人信服的藝術和音樂的項目。結果非常顯著。

2.10用於實時圖像增強的深度雙邊學習（https://groups.csail.mit.edu/graphics/hdrnet/）

來自Google的最新的用於照片增強的神奇演算法。

2.11自動駕駛項目

（https://github.com/udacity/self-driving-car）

想讓你的汽車實現全自動？——這是一個很好的起點。

常見問題解答

如果你被難住了怎麼辦？

首先，你必須明白，機器學習不是100％精確的——大多數情況只是一個很好的猜測和大量的優化迭代。所以在大多數情況下想出一些獨特的想法是非常困難的，因為你將花大量的時間和資源來訓練模型。所以不要試圖自己找出解決方案——你應該搜索論文、項目以及尋找可以幫助你的人。這樣，你會更快更好地獲得經驗。

一些可以幫助你的網站：http://www.gitxiv.com/，http://www.arxiv-sanity.com/，https://arxiv.org/，https://stackoverflow.com

為什麼論文不能完全解決問題，甚至有些地方是錯的？

很可惜，但並不是所有的科技人員都想公開他們的工作，但他們都需要通過發表出版物才能獲得資助和成功。所以其中有些只是發布資料的一部分，或者故意在公式中出錯。這就是為什麼總是能更好地搜索到代碼而不是論文。你應該把這些論文當成一個論據或者某個問題解決的事實。

在哪裡可以找到最新的資料？

我使用這幾個網站http://www.gitxiv.com/，http://www.arxiv-sanity.com/，https://arxiv.org/。第一個網站不僅僅是一篇論文，也是一個代碼，所以更實用。

我應該使用雲端還是PC /筆記本電腦進行計算？

雲是最適合計算生產模型的。對於學習和測試，使用CUDA顯卡的PC /筆記本電腦經濟得多。例如，我用GTX GeForce 960M和690 CUDA內核在筆記本上訓練所有模型。

當然，如果你有雲或免費資助的設備，可以使用它。

如何改進模型超參數的優化？

在訓練中的主要問題是時間。你不能只是坐著觀看訓練統計數據。因此，我建議你使用GridSearch。基本上，只需創建一組超參數和模型體系結構，然後一個接一個地運行它們，保存結果就可以了。因此，你可以在晚上進行訓練，在第二天比較結果，找到最有中意的一個。

你可以在sklearn庫中查看如何完成：http://scikit-learn.org/stable/modules/grid_search.html

來源：機器人圈

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！