深度學習如何入門

時間  2019-11-12
標籤 深度 學習 如何 入門 简体版
原文   原文鏈接

深度學習如何入門

 

連接：https://www.zhihu.com/question/26006703/answer/536169538

怎麼入門機器/深度學習？html

回答這個問題，最早要考慮的問題是：你有多少時間？git

準備用三個月入門，和想要一個月速成，確定是大相徑庭的路徑。固然我建議你們穩紮穩打，至少能夠拿出五個月的時間來學好機器學習的基礎知識。github

基礎很重要，知其因此然很重要。畢竟工具總在進步，每月都會出現更好的深度學習技術，但基礎知識是不變的。web

如何用五個月時間入門？下面分三個部分，詳細指南。（以及，若是你確實時間有限，最後還有一個速成指南）編程

五個月入門

Part 1：從機器學習開始（兩個月）

最好的入門教程，就是吳恩達講授的機器學習。吳恩達這套課程發佈好久了，雖然有些地方稍微過期，但相信我，如今沒有任何公開的課程，能比吳恩達講得更好。真的，課程結束時我幾乎哭了出來。後端

這個課程能夠說適合任何水平的學生，固然，你最好仍是得知道兩個矩陣如何相乘，以及對編程有一些基本的瞭解。網絡



這套課程能夠前往Coursera學習，傳送門：

也能夠上網易公開課收看，傳送門：

若是你有時間，必定要聽徹底部的課程。若是時間緊張，至少要聽完前五節課程，後面的能夠暫時跳過。框架

吳恩達的機器學習課程深刻講解了經典的機器學習模型，如線性迴歸、邏輯迴歸、神經網絡、支持向量機、PCA、無監督學習等等。大部分重要概念，都以簡單易懂的方式進行了介紹。機器學習

課程延伸ide

當你學習到第五節課，也就是開始講述神經網絡時，建議開始查看與課程平行的外部資料。比方3bule1brown推出的神經網絡講解視頻。推薦必看。

YouTube傳送門：

或者能夠前往B站查看：

以及，我以爲吳恩達在講神經網絡時有點快，因此建議補充閱讀一些資料。好比有關神經網絡和深度學習的在線書籍，免費的就很好了。

傳送門：

 

做者Michael A. Nielsen以一種簡單直觀的方式，深刻探究了神經網絡的每一個細節。建議閱讀這本書的前兩章，與吳恩達的課程並行。當你熟悉更多概念後，開始搞深度學習時，能夠再看書中的其他部分。

若是你英文很差，這本《神經網絡與深度學習》也有中文翻譯版本，能夠免費在線查看。

傳送門在此：

 


這個部分的學習結束以後，你就能明白機器/深度學習的許多概念。最後推薦閱讀Christopher Olah的博客，頗有意思。

傳送門：

 

Part 2：涉足深度學習（1個月）

開始研究深度學習以前，最好重溫一下大學數學。Ian Goodfellow傳奇般的「花書」《深度學習》，簡明扼要的歸納了大部分重要主題。

建議你們儘量深刻地閱讀線性代數、機率、信息理論的章節。每當讀論文遇到深度學習概念時，均可以在書中找到參考。

 

以及，這本書有在線的版本。

例如英文版在此：
。
而中文翻譯版本在此：

 

關於深度學習的在線資料有不少，你可能會挑花了眼。

再一次，我以爲最好的選擇，仍是聽吳恩達的《深度學習專項系列課程（Deep Learning Specialization）》。

Coursera傳送門：

網易雲課堂的傳送門：

這門課程包括五大章節。其實不是免費的，你能夠按照50美圓/月購買。固然，若是你負擔不起，還能申請「助學金」。申請時請詳細闡明理由，處理的時間大概須要15天左右。

固然不付費，大部份內容都是能夠看的。以及視頻的部分，在不少地方也能免費收看。

這五門課程主要講的是：

一、神經網絡和深度學習（4周）

二、改善深度神經網絡（3周）

三、結構化機器學習項目（2周）

四、卷積神經網絡（4周）

五、序列模型（3周）

 

前三門課程涉及通常的神經網絡和深度學習，第4、第五門課程涉及特定主題。若是你打算搞視覺，第四課必聽；若是你搞NLP、音頻等，第五課必聽。但若是你須要聽第五課，那麼建議也把第四課好好聽一下。

這裏鼓勵你們一下，課程裏每週的內容，實際上一兩天就能學完，因此不要被課程表嚇倒。勞逸集合、提高效率。

學到這個地步，其實就能夠再去 ，查看第三到第六章的內容，來強化你的概念。若是你有什麼還沒搞懂的，請前往Olah的博客。

以及，這時候你要開始看深度學習的論文了，從中學習知識。深度學習有個強烈的特色，那就是內容都很是新，閱讀論文是跟上時代惟一的方法。不想被拋下，那麼仍是養成閱讀論文的好習慣吧。

Part 3：深度學習上手練（兩個月）

學到這裏，你應該對機器學習和深度學習中的大多數概念有了正確的理解，如今是時候投入沸騰的實際生活中了。

練手深度學習，最好的資源在fast.ai。

 

傳送門在此：

他們在流行的深度學習工具PyTorch上構建了一個庫，只須要幾行代碼，就能實現世界級的性能。

fast.ai的理念有點不一樣。吳恩達等老師的教授方法是自上而下，先講再作。而fast.ai倡導自下而上，先作再講。

因此在他們的課程中，第一節就帶你創建一個強大的圖像分類器。本身訓練模型的快感，刺激着你去完成其他的課程。

 

除此之外，還要推薦兩門課。

斯坦福大學的CS231n和CS224n。CS231n專一於計算機視覺的深度學習，而CS224n專一於序列建模。

CS231n，李飛飛等主講。
官網傳送門：
CS224n，目前是Richard Socher主講。
官網傳送門：

此前的課程，網上也有中文字幕版本，你們可自行搜索。

到這裏，爲期五個月的機器/深度學習入門就結束了。

但願你們都能穩紮穩打，夯實基礎。

以及最後，兌現一個開頭的承諾。若是你確實時間很緊張，必須儘快入門機器/深度學習，那麼請看——

速成指南

我最多隻有倆月

一、完成吳恩達機器學習課程的前五週，要作編程練習。

二、看完3Blue1Brown的視頻。

三、完成吳恩達的深度學習專項系列課程，作練習。

四、若是你想搞圖像，看專項課程第四講，搞NLP或序列數據，看第五講。

五、搜索你感興趣的開源實現。若是你還沒想好用什麼語言，推薦Keras。而後根據須要，再遷到TensorFlow或者PyTorch框架。

我，只有一個月

想要在30天完成入門超級困難。除非，你只是想了解機器學習的工做原理，而後應用到本身的項目中。

若是是這樣的話，速成建議以下：

一、略讀吳恩達機器學習課程第1-5周的課程，只看視頻，掌握概念便可。第三週能夠跳過MATLAB/Octave課程。

二、看完3Blue1Brow的視頻。

三、略讀吳恩達深度學習專項系列課程的第一課，也就是神經網絡和深度學習。

四、若是你想作圖像處理項目，看一下Nielsen書中的第六章：

若是你須要序列建模的一些想法，能夠看看Olah的博客：

五、Siraj Raval拍了不少有趣的視頻，涉及大多數機器/深度學習的主題。傳送門在此：

六、搜索跟你感興趣的開源實現，隨時調整以知足你的需求。如前所述，我推薦你先用帶有TensorFlow後端的Keras語言。

其餘資源

YouTube上有一個兩分鐘讀論文的系列視頻，能夠幫你快速瞭解全球深度學習的最熱門進展。

若是你關注進機器學習領域的進展，Twitter是個絕佳的工具。

遇到困境的時候，記得reddit和Facebook上有不少志同道合的人，不要猶豫，在社區裏尋求幫助，你們會伸出援手。

結論

機器學習和深度學習是當今世界最具魅力的技術之一。並且這個領域的深度學習專家老是處於稀缺的狀態。從職業前景來看，深度學習很是吸引人。

須要提醒的是，與計算機學科的其餘領域不一樣，深度學習的資源還不夠豐富。不少時候你會遇到失敗挫折，千萬不要灰心喪氣，你能夠向更多人尋求幫助，不少人都願意伸出援手，你們都在學習。

關於機器/深度學習，有一個誤解是須要計算機科學的背景才能學習。這不是真的，你確實須要一些編程的思惟纔好入手，但也僅限於此。如今機器學習領域的不少專家，都來自其餘研究領域。

若是你有計算機科學的背景，這是一個很是好的開始。但若是你出身其餘學科，想要迎頭遇上並不難。

感謝看到這裏。

 

原做：Masum Hasan

問耕 編譯整理

原做地址：

 

============================= End

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程