机器学习资料准备以及自学方法

1 资料、课程

人工智能太火了,资料特别多,但是鱼龙混杂,实际上经典的课程资料 paper就足够

吴恩达系列

吴恩达老师真乃人工智能届的孔夫子,在这个水平上还能致力于基础教学和入门推广功德无量啊,吴老师的课讲的也是真的好。

CS229,强推👍,Stanford的公开课,网易云课堂有2008年的课件和讲义,我就是对着这个学的,打印讲义一点点对着推吧。

Coursera Machine Learning,Coursera的课比较基础,其实有了CS229就不推荐看这个了。 DeepLearning.ai,也是偏基础的课程,不过还是很值得看,对传统机器学习、CV、NLP都有一个不是很深入的讲解,作为入门很棒。

Machine Learning Yearning,这本书也是偏基础,工程向,讲了实际工程项目中调参等等东西,我学的时候只出了前几章,后面没有看过。

李沐 动手学深度学习系列

动手学深度学习,强推👍,非常好的课程,李沐是机器学习的大家,在分布式机器学习领域非常有建树,除了广为人知的mxnet,还有parameter server,这里就不展开说了。李沐的课程是将门斗鱼的直播,都录了下来,在网站上还有配套的代码讲解和书籍,唯一美中不足是基于gluon,这个稍微冷门一些。

莫凡系列

莫凡python,怎么说呢,比起其他课程还是逊色不少,不过讲的很基础,而且是不多的讲解RL的中文课程。

其他公开课

CS231N,强推👍,stanford公开课之二,李飞飞的cv实验室出品,讲师是大名鼎鼎的Justin Johnson,虽然是讲CV,但对DeepLearning的基础也讲的非常详细,cs229是最好的ML课程,cs231n是最好的DL课程。

附加:算法导论 6.046J,大名鼎鼎的MIT算法导论公开课,虽然不是ML/DL向,但是基础算法还是要会的,毕竟算法工程师首先是工程师,课程较难,很多名校本科上过这门课,大部分没有上过,还是有必要抽空看看的

2 书籍

《CS229讲义》,为啥把这个单独拿出来说呢,因为这个讲义真的就是一本书,有详细的推导过程,并且很多同学看公开课会忽略讲义,一定注意。

《统计学习方法》 李航,机器学习最常用的书,人称小蓝书,其实这本书不适合入门,里面很多推导晦涩难懂,但是讲的很详细。有些地方的推导方式和写作习惯跟吴恩达不一样,所以两个一起看有时候会很迷。

《机器学习》 周志华,人称西瓜书,不仅封面是西瓜,里面的例子也全是西瓜。难度比《统计学习方法》简单不少,还有各种西瓜例子,入门首选。

3 项目

其实这块是最难的,因为自学,实验室也没有项目,实习没有基础也难找,尤其我年初自学,3月份就开始暑期实习招聘,再找一个实习肯定来不及,好在我们有kaggle!

kaggle,强推kaggle!!!!👍 👍 👍

在开始kaggle之前,请看看Kaggle的三个Getting Started比赛,分别是手写识别(CV),泰坦尼克预测(分类),房价预测(回归),这三个比赛就是教学比赛,kernel和discuss版块有大量的教学,好几个会长篇讲如何基本的使用DNN、xgb、lgb、sklearn这些工具,和如何开始做机器学习。

当你开始打featured的比赛的时候,有一点要明确,去打比赛不是为了赢,你是个没有基础的初学者,很可能也没有队友,只能solo,想拿名次就算了,打kaggle的目的是为了学习,为什么选kaggle不选天池或其他比赛呢?因为kaggle的氛围非常非常open,讨论区和kernel区一定会有人给出自己的完整思路和代码,不仅有base model,还有各种有用的数据处理代码,甚至很常见到前10的队伍公开自己的思路甚至代码!这是其他比赛不具备的,你可以在看别人代码,改进自己代码中成长。

4 积累

这是自学最欠缺的,没有积累,尤其是科研积累,没有人带自己想搞出一篇工作就免了吧,但是熟读某个方向的paper,对该方向有深入了解是必须的,如果仅仅是达到见过或者会用的程度,肯定拿不到offer的。具体的积累看是什么方向,github上有很多repo是经典paper集合比如这个repo,可以对照着看,也要关注该领域顶会每年的文章,还有就是对自己项目中用到的model、方法的相关工作要熟读。

5 计划

时间紧迫,给自己定一个清晰的计划还是很重要的,笔者自己是打印了一份日历,然后把暑期实习、秋招等关键时间点和自己计划完成的deadline日期做上标记,每天干过的事情标在当天的日期上,然后划掉这一天,每天看着时间会有紧迫感促进你学习。

6 老师

自学没有老师,但俗话说三人行必有我师,周围相关方向的同学,该请教就请教,有些东西自己搞是搞不出来的,但会的同学随便点你一下这块就过去了。记得请教过你的大佬吃饭。

本站所有文章均由网友分享,仅用于参考学习用,请勿直接转载,如有侵权,请联系网站客服删除相关文章。若由于商用引起版权纠纷,一切责任均由使用者承担
极客文库 » 机器学习资料准备以及自学方法

Leave a Reply

欢迎加入「极客文库」,成为原创作者从这里开始!

立即加入 了解更多