Python培訓之想成為機器學習工程師？這份自學指南你值得收藏

這篇文章的作者為Andrey Nikishaev，他既是一個軟件開發(fā)者，也是一個創(chuàng)業(yè)者。

如何成長為一名機器學習工程師？

經常有人這么問，而這篇文章就嘗試回答這個問題，其中會談到關于機器學習的方方面面，從簡單的線性回歸到最新的神經網絡。你不僅將學習如何使用這些技術，還將學習如何從頭開始構建它們。

這個指南主要面向計算機視覺（CV），這也是掌握一般知識的最快方式，從CV中獲取的經驗可以簡單地應用到機器學習的其他領域。

我們將使用TensorFlow作為框架。這些課程需要你會Python，雖然不要求你是大師，但至少要懂基本的知識。（另外，都是英語授課）

溫馨提示，學習知識與動手實踐相結合效果更佳。

1. 課程

1.1 約翰霍普金斯大學的實用機器學習

課程總共4周，用戶評分：4.4（5分制，下同）

地址：

https://www.coursera.org/learn/practical-machine-learning#syllabus

1.2 斯坦福大學的機器學習

課程總共11周，用戶評分：4.9。授課教師是大名鼎鼎的吳恩達。

地址：

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

上面兩節(jié)課，會教給你數據科學和機器學習的基本知識，并為下面的學習做好準備。

1.3 CS231n：面向視覺識別的卷積神經網絡

總共16個課時，目前已更新為2017春季的最新版本。李飛飛是這節(jié)課程的導師。

地址：

http://cs231n.stanford.edu/

現在才算步入正軌。這是網上最好的機器學習與計算機視覺課程。

1.4 Google講深度學習

整個課程大約耗時三個月，導師為Google首席科學家Vincent Vanhoucke，以及Google Brain的技術負責人Arpan Chakraborty。

在這個課程中，將會教授深度學習的原理、設計可以從復雜的大型數據集學習的智能系統(tǒng)、訓練和優(yōu)化基本的神經網絡、CNN、LSTM等。

地址：

https://www.udacity.com/course/deep-learning--ud730

選修課。你可以只看其中練習的部分。

1.5 CS224d：面向自然語言處理的深度學習

總共17個課時。

地址：

http://cs224d.stanford.edu/

選修課。推薦給那些需要用到NLP的同學。課程內容也很棒。

1.6 深度學習電子書

Leonardo Araujo dos Santos整理的深度學習電子書。

地址：

https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/

選看。這是一本涉及諸多機器學習領域的好書。

2. 練習

這部分給了一堆教程和項目的清單，你應該逐一嘗試并了解它們的工作原理，以及考慮如何進行改進提升。這個列表的存在，只是為了增加你對機器學習的興趣，所以遇到一些困難也別氣餒，當你準備好就可以隨時上手練習。

2.1 TensorFlow上的簡單練習

Kadenze學院出品，總共5個課時。

地址：

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

2.2 Tensorflow菜譜

這部分內容來自Nick McClure的電子書《TensorFlow Machine Learning Cookbook》。

地址：

https://github.com/nfmcclure/tensorflow_cookbook

2.3 Tensorflow-101教程部分

這是一個用Python和Jupyter Notebook編寫的教程。試圖為TensorFlow初學者提供盡可能的詳細解釋，希望對大家有用~

地址：

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

2.4 快速風格遷移網絡

地址：

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

這個教程展示了如何使用神經網絡，將名畫的風格遷移到任何一張照片上。

2.5 圖像分割

這是一個使用TensorFlow實現的完全卷積網絡。作者Marvin Teichmann還提供了如何把這部分代碼集成到你的語義分割管道中的示例。

地址：

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

2.6 使用SSD實現物體識別

物體識別最快（也是最簡單）的模型之一

地址：

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

2.7 面向物體識別和語義分割的快速掩膜RCNN

地址：

https://github.com/CharlesShang/FastMaskRCNN

2.8 強化學習

地址：

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

非常有用，特別是當你想搭建一個機器人或者下一個DotA AI時。

2.9 Google大腦團隊的Magenta項目

地址：

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

這個項目旨在通過神經網絡創(chuàng)造出色的藝術和音樂作品。

2.10 深度雙邊學習實時圖像增強

地址：

https://groups.csail.mit.edu/graphics/hdrnet/

一個很棒的圖像增強算法，來自Google。

2.11 自動駕駛汽車項目

地址：

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

想造一輛自動駕駛汽車么？這是一個很好的入門。

3. FAQ

如果中途卡住了怎么辦？

首先，你得明白機器學習不是100%精確的東西，大多數情況下只是一個很好的猜測，并且需要大量的調整迭代。大多數情況下，想出一個獨特的點子是非常困難的，因為你的時間和資源將耗費在訓練模型上。

所以，不要自己想解決方案。去搜索論文、項目，以及求助他人，積攢的經驗越多，你會干的越好。給幾個可能有用的網站：

http://www.gitxiv.com

http://www.arxiv-sanity.com

https://arxiv.org

https://stackoverflow.com

為什么論文不能完全解決這個問題，為什么論文有些地方是錯的？

很遺憾，并不是所有的科技人員都想把他們的成果公之于眾，但他們都需要發(fā)表論文來獲得“名“或者”利”。所以一些人可能只發(fā)布部分素材，或者給出錯誤的公式。所以找到代碼永遠比找到論文更有用。

哪里可找到最新的資料？

參考上面推薦過的幾個網站，尤其是gitxiv.com，不僅僅能找到論文，而且還能找到代碼，所以特別實用。

我應該用云計算還是臺式機/筆記本電腦？

云更適用于有大量計算需求的情況。對于學習和測試來說，使用臺式機/筆記本電腦要便宜得多，當然前提是配有支持CUDA的顯卡。比方，我自己就用一個筆記本訓練模型，顯卡是帶有690CUDA核心的GTX GeForce 960M。

當然，如果有免費的云資源可用，當然要用。

如何更好地調整超參數？

訓練的主要問題是時間。你不可能一直坐在那看著訓練數據。因此，我建議你使用Grid Search?；旧?，只需要創(chuàng)建一組超參數和模型架構，然后一個接一個的運行，并保存結果。這樣就能晚上訓練，白天比較結果，找到最有希望的那個。

本文版權歸黑馬程序員Python培訓學院所有，歡迎轉載，轉載請注明作者出處。謝謝！

作者：黑馬程序員Python培訓學院

首發(fā)：http://ko1818.cn/news/python.html