想成为机器学习工程师？这份自学指南值得你收藏

▼

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 史丹佛大学的机器学习

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专案清单，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 专案

网址：https://github.com/tensorflow/magenta/tree/master/magenta/models

这个专案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 自动驾驶汽车专案

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

（Source：Designed by Freepik）

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。去搜寻论文、专案，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，但他们都需要发表论文来获得“名”或“利”。所以一些人可能只释出部分素材，或者给错误的公式。所以找到程式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，而且还能找到程式码，所以特别实用。

我应该用云端计算还是桌机／笔记型电脑？

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，当然前提是有支援 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。

（本文由 AI新媒体量子位 公众号：QbitAI授权转载）

延伸阅读：

• 机器学习已悄悄潜入生活，你可能还没发现
• Google 用机器学习，新工具 AutoDraw 让涂鸦变身艺术家画作
• 比机器学习更快的演算法！麻省理工领军开发贝叶斯程式学习
• 像开放 Android 一样，Google 决定开放它的机器学习系统 TensorFlow
• 吴恩达深度学习新靶，培训百万名 AI 专家

▼

   特别声明    本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。