当前位置:首页 > 天道酬勤 > 正文内容

()

张世龙2021年12月20日 07:24天道酬勤820

介绍

人工智能主题选择了我的兴趣,我不断研究和尝试着这个领域的新事情。

自然语言处理、计算机视觉等相关技术是如何出现的,并演化成每天数百万用户使用的解决方案,声名狼借。

人们用“人工智能”这个词,但我们离《终结者》电影天网还很远。

当今最常用的AI子场是被称为机器学习的子场,相反以深度学习为子场,在相当长的一段时间内每天都在急剧增加。

本指南将介绍软件工程师如何进行机器学习,以及如何将其应用于项目。

是的,可以去谷歌API或亚马逊选择一些很棒的API作为语音识别,但是要明白它是如何工作的,为什么是它的工作原理,甚至是它的更多,如何让自己的API作为服务工作,

作为开发人员,请记住每个工具都是新的功能。

我阅读、观察、通过了所有这些资源,到最后接受了一些有偿认证。 即使不需要学习,当发现自己在更大程度上投资于完成时,我也会有一些截止日期和评价来证明自己确实学过材料。

让我们详细讨论一下主题。

基础知识:数学!

你可能没有机会学习大学水平的数学。 或者,你可能确实研究过那个,但大部分事情都不记得了。 因为JavaScript和CSS带走了这些主题的所有记忆。

有三个主题。 需要事先知道,或者至少有一个像样的把握。 ML和DL :为了遵循线性代数、微积分和统计,我们遵循任何好的材料。

如果想详细了解ML和DL所需的数学,请搜索MIT OpenCourseWare课程,如Strang教授有名的线性代数课程。

我在大学里和普通班一起看过。 可以。

但是,面对现实吧。 大多数人没有时间做那种事和忍耐。

因此,我给你上面列举的三个主题的崩溃路线。

线性代数

只要看看整个系列线性代数的本质,就可以从Youtube频道3Blue1Brown开始。

那家伙从视觉上解释了曾经生硬的概念,简单得令人难以置信!

与Strang教授相比,在内容上还很远,但从一开始就足够了。 用ML和DL前进时请注意其他主题。

你觉得

微积分

会怎么样?

3Blue1Brown在Youtube上也有一系列关于微积分的节目,可以免费观看。 微积分的精髓。

再次,他不仅向你脸上扔了随机方程式,还很擅长给你为什么和什么样的直觉。

统计

这是一个完整的领域,在我看来,你可以根据需要学习。 好的参考是数据科学家的实际统计。 50个基本概念。

是一本客观的书,每个概念都有很好的例子。

速读。

善良的鸵鸟适合数据科学家,但了解一些基础统计数据总是好的。 这就是本书的意图。

读后不会成为统计学家,但会学到好东西。

绕过:机器学习

每个人都想直接进入深度学习,成为用12GB GPU训练一周单一机型的酷炫人。

但是,要获得深度学习的权利,必须首先进行机器学习!

从开始

的概念、思想列车、事物如何发挥作用的“感觉”就从这里开始。 没有谁比Andrew Ng教授更有能力在他的课堂机器学习中教授这些概念。

你可能觉得这门课陈旧过时,技术上也许如此,但在概念上优于其他任何一门课。

Ng教授可以简单地理解教授在各种技术中的数学应用,也可以通过非常短、简洁的课程清楚地理解发生了什么。

所有练习都用八度、免费版本的Matlab排序,你下课实现自己的神经网络!

对于任何程序员来说,Octave语法都很容易掌握,所以不要阻碍这一点。

完成本课程后,所有主要算法都将实施,以解决多个预测问题。

随机林

说了所有主要的算法,对吧?

其实,笑着的睫毛膏课只有一个缺陷。 他不包括《随机森林》。

他的课补充得很快。

天真的鞋子在Ng课上,缺失的部分非常实用,他涵盖了一个话题,对很多经典问题来说,这是最好的解决方案。

Fast.ai的方法被称为“自上而下”。 这意味着指出解决问题的方法并说明其原因。 这和我们在学校习惯的完全相反。

由于Jeremy还使用实际的工具和库,因此可以通过使用业内测试的解决方案进行编码来学习。

深度学习

最后!

我们来这里的理由,深度学习!

同样,最好的资源是明理的球场课,实际上,是一系

列的课程。

深度学习专业课程由 5 门课程组成,从基础课程开始,并针对特定主题(如语言、图像和时间序列数据)进行发展。

一件好事是,他继续从他的经典机器学习课程的末尾,所以它只是感觉像第一个课程的延伸。

数学,概念,如何和为什么它工作的概念,他提供这一切非常简洁,就像我很少见过。

唯一的缺点是,他在本课程中使用Tensorflow 1.x(Google 的 DL 框架),但在我看来,这是微不足道的细节,因为解释和练习的交付非常好。

您可以相对轻松地拿起最新版本的框架,这样做有本指南的最后一部分,一本书。

太多的东西,给我一些更快的东西

这本书可能是你唯一需要开始的东西,它是dfdm的动手机器学习与Scikit学习,Keras和TensorFlow:概念,工具和技术,以建立智能系统。

它涵盖了很多,从经典的机器学习到最新的深度学习主题。使用行业级框架和库的良好示例和练习。

我敢说,如果你真的在匆忙,你可以跳过我之前说的一切,只是去书。

您将错过包含大量有关上述其他资源的信息,但 Géron 书中的实用和可操作的知识足以为您的下一个项目制定许多想法。

如果你在只读完这本书后感到有限,回去研究其余的材料,它会填补你可能拥有的空白,并给你一个更坚实的理解。

框架 X 或 Y 呢?

"嘿,我听说过PyTorch和其他框架或图书馆X每个人都在谈论"。

作为一名软件工程师,您比任何人都更清楚技术发展的速度。

不要为此而疯狂,在学习本指南中的基础知识后,您可以轻松地转到PyTorch文档或任何其他库或框架中,并在一两周内了解如何使用它。

技术,概念,都是一样的,它只是一个语法和应用程序的问题,甚至口味,你可能有任何特定的工具。

结论

总结一下,我想说,即使它似乎很多,我试图消除所有的噪音,在过程结束时,你会有信心,你明白背后发生了什么窗帘,行话,甚至能够阅读一些论文发表在现场跟上最新的进展。

TL;DR 下面是按顺序提及的资源列表:

线性代数的本质微积分的本质机器学习编码器机器学习简介深度学习专业化使用 Scikit 学习、Keras 和 TensorFlow 的动手机器学习:构建智能系统的概念、工具和技术

深度学习机器学习

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/25476.html

标签: 机器学习
分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。