Первоначально опубликовано по адресу: https://www.adlrocha.com
Один из основных вопросов, которые я продолжаю читать на Reddit, Quora и StackOverflow, звучит следующим образом: Привет, ребята! Как научиться машинному обучению и глубокому обучению в 201x?. Это кажется довольно прямым вопросом, но не имеет простого ответа, поскольку машинное обучение — это обширная область и доступные ресурсы прямо сейчас с «взрывом искусственного интеллекта» большие.
Таким образом, в этом посте я постараюсь лично ответить на этот вопрос, учитывая мой собственный опыт и все ответы на этот конкретный вопрос, которые я нашел за эти месяцы.
Курсы и книги:
Тем, кто любит видеолекции для изучения материала, я рекомендую начать со следующих курсов:
- Машинное обучение Стэнфордского университета: обязательно для тех из вас, кто не знаком с машинным обучением и наукой о данных. Его преподает Эндрю Нг, человек, ответственный за инициативу deeplearning.ai, которая месяц назад начала предлагать набор курсов для обучения всех желающих глубокому обучению с нуля (посмотрите эти курсы deeplearning.ai). так как они могут отлично подойти и вам).
- Быстрый курс глубокого обучения ИИ: эквивалент курсов deeplearning.ai. Основное различие между ними заключается в том, что степень deeplearning.ai строится сверху вниз (от внутреннего DL к практическому DL), в то время как fast.ai следует подходу сверху вниз. (практические вопросы для внутренних устройств DL)
- CS231n: Convolutional Neural Networks for Visual Recognition 2017 (2016): Если вам нравится компьютерное зрение, это тоже обязательно. Это даст вам отличную основу для подготовки к исследованиям в области компьютерного зрения.
- Глубокое обучение от Google: это один из тех курсов, которые я несколько раз пытался начать, но безуспешно. Это дает довольно хорошее введение в глубокое обучение. Тем не менее, лекции кажутся довольно скучными, и я не чувствовал, что многому научился.
- CS224d: Глубокое обучение для обработки естественного языка: приятный курс, если вас интересует обработка естественного обучения. Прямо сейчас я работаю в этой области, и позвольте мне заверить вас, что это даст вам все, что вам нужно, чтобы начать карьеру в мире НЛП.
Теперь для тех, кто предпочитает учиться по книгам, следующие два ресурса действительно помогут получить базовое представление об ML и DL. Они полностью бесплатны, единственным недостатком является то, что они доступны только в Интернете, поэтому в некоторых случаях читать их довольно неудобно.
А как же практика?
Я понимаю, теория потрясающая, и все, кажется, работает в статье (или на видео), но как я могу применить на практике все, что я узнал? Если вам нравится подходить к совершенно новым проблемам (по крайней мере, совершенно новым для вас) без особой помощи, я начну
- Kaggle-аккаунт. Если вам интересно, что такое Kaggle, я думаю, что лучший способ понять это — поделиться тем, как они определяют себя на своем веб-сайте Лучшее место для изучения результатов науки о данных и публикации вашей собственной работы. Звучит здорово, верно?
С другой стороны, если вы предпочитаете следовать набору четких руководств, я бы предложил следующий список руководств. Некоторыми из них поделился Андрей Никишаев в одном из своих постов на Medium.
- Поваренная книга Tensorflow
- Учебник Tensorflow-101
- Обнаружение объектов с помощью SSD
- Быстрая маска RCNN для обнаружения и сегментации объектов
- Обучение с подкреплением
- Проект Magenta от команды Google Brain: На случай, если вы хотите, чтобы ваш ИИ стал новым Пикассо
- Глубокое двустороннее обучение для улучшения изображения в реальном времени: новый потрясающий алгоритм улучшения фотографий от Google
- Проект самоуправляемого автомобиля: Хотите сделать свой автомобиль полностью автоматическим? — это хорошая отправная точка.