深度学习(机器学习)学习路径
最近几年,尤其是自从2016年Alpha Go打败李世石事件后,人工智能技术受到了各行业极大关注。其中以机器学习技术中深度学习最受瞩目。主要原因是这些技术在科研领域和工业界的应用效果非常好,大幅提升了算法效率、降低了成本。因而市场对相关技术有了如此大的需求。
我在思考传统行业与这些新兴技术结合并转型的过程中,亦系统的回顾了深度学习及其相关技术。本文正是我在学习过程中所作的总结。我将按照我所理解的学习路径来呈现各部分内容,希望对你亦有帮助。欢迎一起交流。
主要分为如下几个部分:
- 数学基础:包括微积分、线性代数等对理解机器学习算法有帮助的基本数学。
- Python:
Python
提供了非常丰富的工具包,非常适合学习者实现算法,也可以作为工业环境完成项目。主流的深度学习框架,例如当前最流行的两个AI框架TensorFlow
、PyTorch
都以Python作为首选语言。此外,主流的在线课程(比如Andrew Ng在Coursera的深度学习系列课程)用Python作为练习项目的语言。在这部分,我将介绍包括Python语言基础和机器学习常用的几个Library,包括Numpy
、Pandas
、matplotlib
、Scikit-Learn
等。 - 机器学习:介绍主流的机器学习算法,比如线性回归、逻辑回归、神经网络、SVM、PCA、聚类算法等等。
- 深度学习:介绍原理和常见的模型(比如
CNN
、RNN
、LSTM
、GAN
等)和深度学习的框架(TensorFlow
、Keras
、PyTorch
)。 - 强化学习:TBD
- 实践项目:这里将结合几个实际的项目来做比较完整的讲解。此外结合
Kaggle
、阿里云天池
比赛来做讲解。 - 阅读论文:如果你追求更高和更深入的研究时,看深度学习各细分领域的论文是非常必要的。
内容持续更新中,未完成的部分标识有TBD (To be done)。
文中涉及的公式部分是用CodeCogs的在线LaTeX渲染,如果公式未正确加载,可以尝试多刷新几次。
绪论
机器学习绪论一文中总结了机器学习领域和其解决的问题介绍,建议先读此文,以便有一个系统认知。
数学基础
微积分和线性代数的基础是必须要掌握的,不然对于理解学习算法的原理会有困难。如果已经有一定的数学基础,可以先跳过这一部分,需要的时候再回来补。这里的Notes是基于Coursera中Mathematics for Machine Learning专题做的总结。
- Calculus 微积分
- Linear Algebra 线性代数
- 概率论 (TBD)
- PCA 主成分分析
Python
如果有比较好的Python和机器学习相关Library的知识,对于学习算法过程中的代码可以快速理解和调试,一方面节省时间,另一方面也可以更聚焦在算法和模型本身上。
机器学习算法
主要基于Machine Learning (Coursera, Andrew Ng) 的课程内容。
- 机器学习算法系列
- 内容参考包括:吴恩达Coursera系列、周志华《机器学习》、密西根大学Applied Machine Learning in Python
- 每章节配套的
Jupyter Notebook练习 参考网络内容修订
- 目录结构:
深度学习
Deep Learning 专题课程
主要基于Deep Learning (Coursera, Andrew Ng) 的专题课程 ,介绍深度学习的各种模型的原理。
- 深度学习
- 深度学习基础
- 深度神经网络调参和优化
- 深度学习的工程实践
- 卷积神经网络(CNN)
- 序列模型(RNN、LSTM)
- 进阶讨论(待补充)
TensorFlow
- 推荐吴恩达DeepLearning.ai和Coursera出品课程《Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning》(面向人工智能、机器学习和深度学习的TensorFlow介绍》。
- 课程包括四周内容,练习基于Google Colab平台,讲师是来自Google Brain团队。
- TensorFlow出2.0了,推荐阅读
《TensorFlow Dev Summit 2019》对TensorFlow体系有个完整认知。
- TensorFlow/Keras的例子
PyTorch
PyTorch同样是一个优秀的深度学习框架,发展势头不错,值得关注
强化学习
- TBD
项目和竞赛
竞赛
- Kaggle(全球赛、推荐的平台)
- 天池 - 阿里云(**)
- DataFountain(**)
- SODA - 开放数据创新应用大赛(**)
深度学习论文
对于一些问题的深入研究,最终是离不开阅读优秀论文,推荐如下GitHub:
-
深度学习论文的阅读路径:适合深度学习领域新人,循序渐进带你读论文
-
Papers with code:总结了近 10 年来顶会(包括NIPS/CVPR/ECCV/ICML)优秀论文和复现代码
工欲善其事,必先利其器
一些电子书
推荐的学习环境
- Anaconda
- IDE
- PyCharm(推荐) / VS Code / Atom 等:
参考阅读。
- PyCharm(推荐) / VS Code / Atom 等:
一些好用的工具
- 机器学习在线环境
- Google Colab:Jupyter环境。
一篇介绍Google Colab的总结。
- Google Colab:Jupyter环境。
- 科学上网
- 内地朋友避免不了和China GFW斗智斗勇,建议花小钱省事省心。可看左耳耗子的文章《科学上网》。
写在最后
一点建议
对于此前不是机器学习/深度学习这个领域的朋友,不管此前在其他领域有多深的积累,还请以一个敬畏之心来对待。
- 持续的投入:三天打鱼两天晒网的故事,我们从小便知,不多说了;
- 系统的学习:一个学科,知识是一个体系,系统的学习才可以避免死角,或者黑洞;
- 大量的练习:毕竟机器学习/深度学习属于Engineering & Science的范畴,是用来解决实际的问题的。单纯的理论研究,如果没有实际的项目(包括研究项目)经验做支撑,理论可能不会有很大突破。
欢迎反馈
- 如果发现内容的错误,欢迎在GitHub提交Issue或者Pull Request
- 个人精力有限,欢迎感兴趣的朋友一起来完善和补充内容
- 欢迎Star 和Share 此Repository