本文作者为 Andrey Nikishaev,既是软件开发者,也是创业者。
  如何成为一名机器学习工程师?
  经常有人这么问,这篇文章就尝试回答这个问题,其中会谈到关于机器学习各方面,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建构。
  这个指南主要针对电脑视觉(CV),这也是掌握一般知识的最快方式,从 CV 中抓取的经验可简单应用到机器学习的其他领域。
  我们将使用 TensorFlow 为框架。这些课程需要你会 Python,虽然不要求你是大师,但至少要懂基本知识(另外,都是英语授课)。
  温馨提示,学习知识与动手实践结合,效果更佳。
  一、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)
  网址:https://www.coursera.org/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。
  网址:https://www.coursera.org/learn/machine-learning
  上面两节课,会教你资料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:面向视觉辨识的卷积神经网络
  总共 16 堂课,目前已更新为 2017 春季最新版本。李飞飞是这节课的导师。
  网址:http://cs231n.stanford.edu/
  现在才算步入正轨。这是网络上最好的机器学习与电脑视觉课程。
  
  1.4 Google 讲深度学习
  整个课程大约耗时 3 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,将教授深度学习的原理、设计可从复杂的大型资料集学习的智慧系统、训练和最佳化基本的神经网络、CNN、LSTM 等。
  网址:https://www.udacity.com/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 堂课。
  网址:http://cs224d.stanford.edu/
  选修课。建议给那些需要用到 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。
  网址:https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/
  选看。这是一本涉及诸多机器学习领域的好书。
  二、练习
  这部分给了一堆教程和项目清单,你应该逐一尝试并了解它们的工作原理,以及考虑如何改进提升。这个清单的存在,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 堂课。
  网址:https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info
  2.2 Tensorflow 食谱
  这部分内容来自 Nick McClure 的电子书《TensorFlow Machine Learning Cookbook》。
  网址: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。尝试为 TensorFlow 初学者提供尽可能的详细解译,希望对大家有用。
  网址:https://github.com/sjchoi86/Tensorflow-101
  2.4 快速风格转移网络
  网址:https://github.com/lengstrom/fast-style-transfer
  这个教程展示如何使用神经网络,将名画风格转移到任何一张照片。
  
  2.5 影像分割
  这是一个使用 TensorFlow 实现的完全卷积网络。作者 Marvin Teichmann 还提供如何把这部分字元集成到你的语义分割导管的示范。
  网址:https://github.com/MarvinTeichmann/tensorflow-fcn
  2.6 使用 SSD 达成物体辨识
  物体辨识最快(也是最简单)的模型之一。
  网址:https://github.com/balancap/SSD-Tensorflow
  2.7 面向物体辨识和语义分割的快速掩膜 RCNN
  网址:https://github.com/CharlesShang/FastMaskRCNN
  2.8 强化学习
  网址:https://github.com/dennybritz/reinforcement-learning
  非常有用,特别是当你想搭建一个机器人或下一个 DotA AI 时。
  2.9 Google Brain 团队的 Magenta 项目
  网址:https://github.com/tensorflow/magenta/tree/master/magenta/models
  这个项目旨在透过神经网络创造出色的艺术和音乐作品。
  2.10 深度双边学习即时影像增强
  网址:https://groups.csail.mit.edu/graphics/hdrnet/
  一个很棒的影像增强演算法,来自 Google。
  2.11 自动驾驶汽车项目
  网址:https://github.com/udacity/self-driving-car
  想做一辆自动驾驶汽车吗?这是很好的入门。
  三、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,且需要大量调整更新。大多数情况下,想出一个独特的点子非常困难,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,你会做得越好。提供几个可能有用的网站:
  http://www.gitxiv.com http://www.arxiv-sanity.com https://arxiv.org https://stackoverflow.com  为什么论文无法完全解决这个问题,为什么论文有些地方是错的?
  很遗憾,并不是所有科技人都想把成果公之于众,但他们都需要发布论文来获得“名”或“利”。所以一些人可能只发布部分素材,或者给错误的公式。所以找到程序码永远比找到论文更有用。
  哪里可找到最新的资料?
  参照上面建议过的几个网站,尤其是 gitxiv.com,不仅能找到论文,而且还能找到程序码,所以特别实用。
  我应该用云端计算还是桌机/笔记本电脑?
  云端更适用大量计算需求的情况。对学习和测试来说,使用桌机或笔电要便宜得多,当然前提是有支持 CUDA 的显卡。比方,我自己就用笔电训练模型,显卡是有 690CUDA 核心的 GTX GeForce 960M。
  当然,如果有免费的云资源可用,当然要用。
  如何调整超参数更好?
  训练的主要问题是时间。你不可能一直坐在那看着训练资料。因此,我建议你使用 Grid Search。基本上,只需要建立一组超参数和模型架构,然后一个接一个执行,并储存结果。这样就能晚上训练,白天比对结果,找到最有希望的那个。详情可参照这个网址:http://scikit-learn.org/stable/modules/grid_search.html。
  来源:量子位 公众号:QbitAI