如何成为机器学习工程师：学习路径

从简单的线性回归（linear regressoin）到最新的神经网络（neural network），我们将引导你学习机器学习（ML：machine learning）的各个方面，不仅学习如何使用它们，而且学习如何从头开始构建它们。

这条学习路径的很大一部分是以计算机视觉（CV: Computer Vision）为导向的，因为它是获得机器学习领域的知识的最快方法，CV的经验可以简单地转移到任何ML领域。

我们将使用TensorFlow作为ML框架，因为它是目前看来最有前途的机器学习框架，并且可以直接用于生产环境。

如果你在学习理论和实践的同时加以实践，那么学习效果会更好。

此外，如果你想尝试解决现实生活中的实际问题，我建议你在Kaggle注册，因为这种竞赛有助于丰富你的简历。

基本技能要求：Python。

你不需要是一个Python专家，掌握基本的知识就够了。碰到问题可以查手册。

1. 课程

1.1 约翰霍普金斯大学的实用机器学习
网址： https://www.coursera.org/learn/practical-machine-learning

1.2 斯坦福大学的机器学习
网址： https://www.coursera.org/learn/machine-learning

这两个课程主要是关于数据科学和机器学习方面的基本知识，让你为解决真正的问题做好基础知识的准备。

1.3 Andrew Ng的深度学习课程
网址：https://www.coursera.org/specializations/deep-learning

1.4 CS231n：用于视觉识别的卷积神经网络2017 （ 2016 ）
网址：http://cs231n.stanford.edu/

这是你可以在互联网上找到有关ML＆CV的最好的课程之一。 它不仅会告诉你计算机视觉现在可以达到的高度，而且会帮你打好基础以便进一步深入。

1.5 Google深度学习
网址：https://www.udacity.com/course/deep-learning–ud730
可选课程。 你可以只学习其中的实战部分。

1.6 CS224d：使用深度学习进行自然语言处理
网址：http://cs224d.stanford.edu/

如果要使用自然语言处理（NLP: Natural Language Processing）技术，可以选择这门课程。 嗯，很棒的课程。

1.7 深度学习书
网址：https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/

很好的手册，涵盖ML的诸多方面。

2.实用部分

这份清单包括许多教程和项目，你可以尝试、理解它们是如何工作的，并考虑如何进行改进。 这个清单是为了增加你对ML的专业知识了解和兴趣而整理的，所以如果其中某些任务对你现在来说还很难，那么不妨在你打好基础以后再回头学习。

2.1 Kadenze的Tensorflow简明实践课程
网址：https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info

2.2 Tensorflow码书
网址：https://github.com/nfmcclure/tensorflow_cookbook

2.3 Tensorflow-101教程集
网址：https://github.com/sjchoi86/Tensorflow-101

2.4 快速风格迁移网络
网址：https://github.com/lengstrom/fast-style-transfer

讲解如何使用神经网络将绘画风格迁移到任何照片上。

2.5 图像分割
网址：https://github.com/MarvinTeichmann/tensorflow-fcn

2.6 使用SSD进行对象检测
网址：https://github.com/balancap/SSD-Tensorflow

SSD是用于对象检测的最快、也更简单的模型之一。

2.7 用于对象检测和分割的快速掩码递归卷积网络
网址：https://github.com/CharlesShang/FastMaskRCNN

2.8 强化学习
网址：https://github.com/dennybritz/reinforcement-learning

强化学习是非常有用的机器学习技术，特别是如果你想打造一个智能机器人或下一个Dota AI :)

2.9 来自Google Brain团队的Magenta项目
网址：https://github.com/tensorflow/magenta/tree/master/magenta/models

该项目旨在利用神经网络创作艺术和音乐。 成果相当可观。

2.10 用于实时图像增强的深度双边学习
网址：https://groups.csail.mit.edu/graphics/hdrnet/

来自Google的新算法，用于图片增强

2.11 自动驾驶项目
网址：https://github.com/udacity/self-driving-car

想让你的车实现全自动驾驶？ - 这是一个很好的起点。

3.常见问题

如果卡住了怎么办？

首先，你必须明白，ML不是100％精确的 - 大多数情况下只能是一个很好的猜测和大量的调整迭代。 因此，在大多数情况下，因为你花费在模型训练上的时间和资源的限制，靠自己提出一些独特的想法是非常困难的。 所以尽量不要试图自己找出解决方案 - 搜索论文、项目、可以帮助你的人。 越快获得经验越好。

有些网站可以帮助你：

• http://www.gitxiv.com/
• http://www.arxiv-sanity.com/
• https://arxiv.org/
• https://stackoverflow.com

为什么论文中有错误？

很可惜，但并不是所有的技术人员都想公开其工作，但是他们都需要出版物才能获得资助和声誉。 所以有些人只是公布一部分材料，或者是故意在公式中引入错误。 这就是为什么搜索代码要好于论文。 你应该把这些论文看作是某个问题已经得到解决的证据或事实。

在哪里可以找到最新的资料？

我使用这几个网站来跟踪机器学习领域的最新进展：

• http://www.gitxiv.com/
• http://www.arxiv-sanity.com/
• https://arxiv.org/

首先你可以找到的不仅仅是一篇论文，而且其中包含有实验代码，所以更实用。

使用云计算还是笔记本电脑？

云计算是密集型计算的最佳选择。 对于学习和测试而言，使用带有CUDA图形卡的PC /笔记本电脑则要便宜得多。 例如，我使用装有GTX GeForce 960M显卡的笔记本电脑训练所有的模型。

当然，如果你已经有云或可以免费获得的云资源，可以使用它。

如何改进模型超参数的调整？

训练中的主要问题是需要时间。 你不能坐下来一直盯着训练数据看。 出于这个原因，我建议你使用网格搜索（grid search）。 基本上，只需创建超参数集和模型体系结构，然后一个接一个地运行并保存结果。 因此，你可以在晚上进行训练，并在第二天比较结果，从而找出最好的参数。

你可以看看在sklearn库中是如何进行网格搜索的，

建议你收藏这篇文章，我相信你会时不时地需要它：-）