想成為機器學習工程師？這份自學指南值得你收藏

本文作者為 Andrey Nikishaev，既是軟體開發者，也是創業者。

經常有人這麼問，這篇文章就嘗試回答這個問題，其中會談到關於機器學習各方面，從簡單的線性回歸到最新的神經網路。你不僅將學習如何使用這些技術，還將學習如何從頭開始建構。

這個指南主要針對電腦視覺（CV），這也是掌握一般知識的最快方式，從 CV 中抓取的經驗可簡單應用到機器學習的其他領域。

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

溫馨提示，學習知識與動手實踐結合，效果更佳。

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）

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。

上面兩節課，會教你資料科學和機器學習的基本知識，並為下面的學習做好準備。

1.3 CS231n：面向視覺辨識的卷積神經網路

總共 16 堂課，目前已更新為 2017 春季最新版本。李飛飛是這節課的導師。

現在才算步入正軌。這是網路上最好的機器學習與電腦視覺課程。

1.4 Google 講深度學習

整個課程大約耗時 3 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，將教授深度學習的原理、設計可從複雜的大型資料集學習的智慧系統、訓練和最佳化基本的神經網路、CNN、LSTM 等。

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 堂課。

選修課。建議給那些需要用到 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。

選看。這是一本涉及諸多機器學習領域的好書。

二、練習

這部分給了一堆教程和項目清單，你應該逐一嘗試並了解它們的工作原理，以及考慮如何改進提升。這個清單的存在，只是為了增加你對機器學習的興趣，所以遇到一些困難也彆氣餒，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 堂課。

2.2 Tensorflow 食譜

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

2.3 Tensorflow-101 教程部分

這是一個用 Python 和 Jupyter Notebook 編寫的教程。嘗試為 TensorFlow 初學者提供儘可能的詳細解譯，希望對大家有用。

2.4 快速風格轉移網路

這個教程展示如何使用神經網路，將名畫風格轉移到任何一張照片。

2.5 影像分割

這是一個使用 TensorFlow 實現的完全卷積網路。作者 Marvin Teichmann 還提供如何把這部分字元集成到你的語義分割導管的示範。

2.6 使用 SSD 達成物體辨識

物體辨識最快（也是最簡單）的模型之一。

2.7 面向物體辨識和語義分割的快速掩膜 RCNN

2.8 強化學習

非常有用，特別是當你想搭建一個機器人或下一個 DotA AI 時。

2.9 Google Brain 團隊的 Magenta 項目

這個項目旨在透過神經網路創造出色的藝術和音樂作品。

2.10 深度雙邊學習即時影像增強

一個很棒的影像增強演演算法，來自 Google。

2.11 自動駕駛汽車項目

想做一輛自動駕駛汽車嗎？這是很好的入門。

如果中途卡住了怎麼辦？

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，且需要大量調整更新。大多數情況下，想出一個獨特的點子非常困難，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，你會做得越好。提供幾個可能有用的網站：

為什麼論文無法完全解決這個問題，為什麼論文有些地方是錯的？

很遺憾，並不是所有科技人都想把成果公之於眾，但他們都需要發布論文來獲得「名」或「利」。所以一些人可能只發布部分素材，或者給錯誤的公式。所以找到程序碼永遠比找到論文更有用。

哪裡可找到最新的資料？

參照上面建議過的幾個網站，尤其是 gitxiv.com，不僅能找到論文，而且還能找到程序碼，所以特別實用。

我應該用雲端計算還是桌機／筆記本電腦？

雲端更適用大量計算需求的情況。對學習和測試來說，使用桌機或筆電要便宜得多，當然前提是有支持 CUDA 的顯卡。比方，我自己就用筆電訓練模型，顯卡是有 690CUDA 核心的 GTX GeForce 960M。

當然，如果有免費的雲資源可用，當然要用。

如何調整超參數更好？

訓練的主要問題是時間。你不可能一直坐在那看著訓練資料。因此，我建議你使用 Grid Search。基本上，只需要建立一組超參數和模型架構，然後一個接一個執行，並儲存結果。這樣就能晚上訓練，白天比對結果，找到最有希望的那個。詳情可參照這個網址：http://scikit-learn.org/stable/modules/grid_search.html。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！