实用 :一文带你零基础入行深度学习

来源: 人工智能头条 

本文共3369字,建议阅读5分钟。

本文希望从一个小白的角度出发,真正从零基础的角度来为大家提供一些专业的建议和指导。


深度学习到底有多热,这里我就不再强调了,也因此有很多人关心这样的几个问题,“适不适合转行深度学习(机器学习)”,“怎么样转行深度学习(机器学习)”,“转行深度学习需要哪些入门材料?”等等。


而网上相应问题的回答也比较杂乱,存在不走心、不够基础等等问题。


考虑到太多的人没有一定的专业基础,又恰恰对转行、学习的问题比较关心,因此,本文希望从一个小白的角度出来,真正从零基础的角度来为大家提供一些专业的建议和指导。


避免大家看很多无用的信息,少走弯路。接下来,本文从以下几个方向出发,来展开叙述:


  • 什么样的人适合入行深度学习?

  • 怎样学习深度学习?

  • 有哪些入门深度学习的材料推荐?


哪些人适合入行深度学习


深度学习存在一定的门槛,这是必然的,并不是网上说的仅仅成为一个“调包狭”。你可能是结合一些实际的业务场景,需要复现一些模型,甚至自己设计一些模型,所以需要具备一定的数学、英语、编程等等能力。


1. 初中毕业、高中毕业是否适合学习深度学习?


这里,我不建议这样的人转行深度学习,因为你现在需要的不是深度学习,而是高中知识积累、大学的知识积累,思维模式的培养,如果你还年轻,那我建议你先去把这些该走的路走完,再考虑入行深度学习。


你们的人生还有很多种可能,没有必要急着早早的作出选择。当然,如果你已经到了一定年纪了,那我觉得真的没必要在这个上面折腾了,赚钱的机会还有很多。


2. 文科生是否适合学习深度学习?


对于文科生的话,我觉得不能一概而论。有些文科生,尤其学习语言学、文学专业的,他们的思维方式可能更多的偏向于发散思维,对于逻辑思维能力可能会有所欠缺。


对于这样的人,不是很建议入行深度学习,更多的是希望把本行业的事情做好,或者可以选择一些深度学习产品经理等等这样的岗位,避免一些编程、模型设计训练的任务。


3. 机械、电气等理工科的专业背景的人是否适合入行深度学习?


对于诸如电气、电子、机械、化工、生物等等这样的理工科专业的学生,如果选择入行深度学习,个人觉得还是存在可能的。


以机械为例,很多机械行业的朋友,也会接触到底层编程的一些任务;对于一些电子和电气相关的专业的学生,往往也会接触到一些编程的任务。


同样,还具备一些信号处理的知识,对于这些人来讲,深度学习和机器学习,入门相对门槛会低一些。当然,实际上还要结合自身的情况来看,具体是否合适,可以对照我后面的几个标准。


4. 年纪太大了是否适合转行深度学习?


个人不建议,因为核心竞争力确实会和一些年轻人存在一些差距。如果有可能,更希望能够在本领域深耕下去。


5. 期待学习两三个月成大神,年薪20万+。


任何一门技术的学习,都需要一定时间的积累,尤其对于深度学习、机器学习这样的工作。短期内,结合专业的指导,你可能会初窥门径,但精通一定不行。虚心学习,经过一定时间积累,年薪20万+希望还是很大的。


总结下,有哪些人适合入行深度学习?

  • 大学里学习过高等数学的本科生,硕博士研究生;

  • 有高等数学基础的公司技术岗在职人员,需要 AI 赋能;

  • 过去 PC、iOS、安卓开发的码农,有编程基础的人;

  • 具备较好的逻辑思维能力的本科生。


如何入行深度学习


聊完了什么人适合入行深度学习,我们再来看一看如何学习深度学习?


具体你需要经历以下几个步骤:


  • 深度学习整体概述:了解深度学习的前世今生、为什么会爆发深度学习热潮?代表的技术有哪些,涉及到什么样的领域、产品、公司,以及各行各业中的应用。尽可能的科普深度学习的相关知识;

  • 深度学习概论知识:深度学习、机器学习、人工智能等区别和联系;

  • 深度学习预备知识:数学基础(线性代数、矩阵、概率统计、优化等等)、机器学习基础、编程基础;

  • 深度学习核心知识:神经网络、深度网络结构、图像任务、语音任务、自然语言任务;

  • 深度学习进阶知识:如何使用深度学习框架,完成网络的搭建、训练。


640?wx_fmt=png


关于深度学习的公司,也就是人工智能公司,我们在之前也提到过,这里,我们再重点介绍一些代表性的企业:


  • 语音识别技术,国内公司讯飞、百度。国外公司 Google、亚马逊,微软等,行业应用就是智能音箱等产品;

  • 图像识别技术,比如做安防的海康威视,图森科技,依图科技,旷视科技,代表性的就是面部识别,iPhone X 的人脸识别;

  • 自动驾驶技术,比如特斯拉,Uber,百度等公司开发的自动驾驶技术;

  • 金融领域的预测股价、医疗领域的疾病监测,教育领域的技术赋能等;

  • 阿里巴巴淘宝网的千人千面等。


640?wx_fmt=png

接下来我们看一些关于深度学习的概论知识。


我们必须要清楚的就是深度学习属于机器学习的一种方法,除了深度学习以外,还包括了线性回归、逻辑回归、SVM、随机森林、图模型、贝叶斯等等很多方法。


而深度学习,并不是对所有的任务都有效,有些时候,也需要用到一些传统的机器学习方法。而机器学习则是实现人工智能必不可少一种技术手段。


深度学习和传统机器学习有哪些区别和联系呢?请看下面这几点。


  • 数据依赖性。深度学习与传统的机器学习最主要的区别在于,随着数据规模的增加其性能也不断增长。当数据很少时,深度学习算法很容易过拟合(可以简单理解成性能不好)。

  • 硬件依赖。深度学习算法需要进行大量的矩阵运算,GPU 主要用来高效优化矩阵运算,所以 GPU 是深度学习正常工作的必须硬件。与传统机器学习算法相比,深度学习更依赖安装 GPU 的高端机器。当然,除了 GPU 以外,还有一些其他的深度学习芯片发展也十分重要。通常的做法是,GPU 训练,而在实际的项目中则使用其他的深度学习芯片代替。

  • 特征表示。传统机器学习更多的依赖手动设计特征,需要引入更多的领域知识,而深度学习,则能够直接抽取不同粒度上的特征,因此,能够具有更高的表示能力。

  • 端到端。对于传统的机器学习方法,更加注重逻辑规则的设计,在解决一个问题的时候,会将其拆分成几个不同的子问题,而深度学习则更加强调从数据的角度出发,直接对问题进行求解,也就是更加的端到端。

  • 训练时间。深度学习模型的训练一般需要较长的时间,不过好在测试的时候,则需要较少的时间。

  • 可解释性。深度学习算法的可解释性较差,更像一个黑盒运算。


640?wx_fmt=png


了解完深度学习的一个基本情况以后,我们再来看一些学习深度学习,你需要学习哪些预备知识?


  • 数学(高数、线性代数、概率统计、矩阵分析,如果还有机会,可以了解下优化的相关知识);

  • 英语,需要阅读大量的英语文献,英语阅读和理解的能力还是应该具备的;

  • 编程,至少会 Python,如果有精力再学一下 C/C++;

  • 机器学习,关于一些传统的机器学习算法建议还是要了解一下的。


准备好了上述的一些基本能力以后,我们再看看关于深度学习的一些核心知识,你需要了解:


  • 神经网络;

  • CNN、RNN、LSTM 等不同的网络结构;

  • 深度学习的框架:Caffe、TensorFlow,以及这些框架如何使用;

  • 深度学习+图像处理模型;

  • 深度学习+语音识别模型;

  • 深度学习+自然语言处理模型。


注意: 对于上述提到的(深度学习+图像处理模型、深度学习+语音识别模型、深度学习+自然语言处理模型)三个任务,其实不需要你都精通,只要专注于其中一个领域就可以,这个要结合自己的兴趣来看。


具体可以看一下之前的几篇文章“深度学习在计算机视觉行业中的应用、深度学习在语音技术领域的应用、深度学习在自然语言处理行业中的应用”,看看自己更喜欢哪个行业,初期就以这个行业研究为主,后续如果有机会,在考虑更高层面上的通用技术和框架。


最后,理论部分都强调完了以后,我们在重点强调一下进阶的知识,也就是实战部分。大家在学习深度学习的时候,一定要认识到,深度学习更多的还是需要编程!编程!编程!也就是说,不能仅仅停留在理论层面,更多的还是需要动手实战的能力,利用 Caffe 或者 TensorFlow 针对一些实际的分类任务进行实验。只有这样才能更快地积累经验,更早的入行深度学习。


最后,为大家推荐一些课程和教材:


  • 首先是线性代数,推荐麻省理工推出的课程《麻省理工公开课:线性代数》,你会发现和我们本科学得线性代数好像不太一样,这个讲解的更加容易理解!!不再是停留在做计算题的层次,是真的有用!

  • 斯坦福机器学习:斯坦福大学公开课 :机器学习课程,这个就不强调了,NG 的课程,一般这个行业的的都会学习下!

  • 张志华老师的《统计机器学习》,《机器学习导论》,这个课程涉及到更加深入的统计机器学习理论,看完以后你会对概率论有更深入的了解!

  • 周志华老师的西瓜书,它对机器学习整体的介绍还是比较基础的!记得在找工作时候,每次面试前都会看一遍这本书!

  • Caffe 和 TensorFlow 的学习则更多的是实现一些 Demo 和阅读文章,后续我也会推出一些入门的课程,希望大家能够持续学习下去。

转自:人工智能头条 公众号;

版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。

关联阅读

原创系列文章:

1:从0开始搭建自己的数据运营指标体系(概括篇)

2 :从0开始搭建自己的数据运营指标体系(定位篇)

3 :从0开始搭建自己的数据运营体系(业务理解篇)

4 :数据指标的构建流程与逻辑

5 :系列 :从数据指标到数据运营指标体系

6:   实战 :为自己的公号搭建一个数据运营指标体系

7:  从0开始搭建自己的数据运营指标体系(运营活动分析)

数据运营 关联文章阅读:  

运营入门,从0到1搭建数据分析知识体系    

推荐 :数据分析师与运营协作的9个好习惯

干货 :手把手教你搭建数据化用户运营体系

推荐 :最用心的运营数据指标解读

干货 : 如何构建数据运营指标体系

从零开始,构建数据化运营体系

干货 :解读产品、运营和数据三个基友关系

干货 :从0到1搭建数据运营体系

数据分析、数据产品 关联文章阅读:

干货 :数据分析团队的搭建和思考

关于用户画像那些事,看这一文章就够了

数据分析师必需具备的10种分析思维。

如何构建大数据层级体系,看这一文章就够了

干货 : 聚焦于用户行为分析的数据产品

如何构建大数据层级体系,看这一文章就够了

80%的运营注定了打杂?因为你没有搭建出一套有效的用户运营体系

从底层到应用,那些数据人的必备技能

读懂用户运营体系:用户分层和分群

做运营必须掌握的数据分析思维,你还敢说不会做数据分析

合作请加qq:365242293  


更多相关知识请回复:“ 月光宝盒 ”;

数据分析(ID : ecshujufenxi )互联网科技与数据圈自己的微信,也是WeMedia自媒体联盟成员之一,WeMedia联盟覆盖5000万人群。

640?wx_fmt=png

没有更多推荐了,返回首页