机器学习工程师自学指南！

本文将会介绍机器学习的方方面面，从简单的线性回归到最新的神经网络，你不仅仅能学会如何使用它们，并且还能从零进行构建。

以下内容以计算机视觉为导向，这是学习一般知识的最快方法，并且你从中获得的经验可以很容易地迁移到机器学习的其他领域。

本文我们将会使用TensorFlow作为机器学习框架。

学习是一个多维因素作用的结果，所以如果能基于学习资料，理论和实践并重，学习效果会好很多。另外，还有一个很好的实践方法是参与Kaggle竞赛，通过竞赛的形式解决实际生活中的问题，从而巩固此前所学。

（要求：关于Python，你无需达到专家级别，但要很好地掌握基础知识）

1.课程

1.1 实用机器学习（约翰霍普金斯大学）

https://www.coursera.org/learn/practical-machine-learning

1.2 机器学习（斯坦福大学）

以上两个课程会教你一些数据科学和机器学习的基础知识，也有助于你对更有难度知识的学习和掌握。

https://www.coursera.org/learn/machine-learning

1.3 CS231n：面向视觉识别的卷积神经网络 2017 (2016)

该课程是网上关于ML & CV最好的课程之一，不仅能让你了解这里边的水有多深，还能为你进一步的研究探索打下良好的基础。

http://cs231n.stanford.edu/

1.4 深度学习（Udacity的课程）

https://www.udacity.com/course/deep-learning--ud730

1.5 CS224d：面向自然语言处理的深度学习

http://cs224d.stanford.edu/

1.6 深度学习相关的电子书（涵盖了ML的方方面面）

https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/

2.实战

以下是课程和项目列表，有助于理解运行原理并找到提升办法。

2.1. Tensorflow 相关的简单练习课

https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info

2.2. Tensorflow cookbook

https://github.com/nfmcclure/tensorflow_cookbook

2.3. Tensorflow-101教程部分

https://github.com/lengstrom/fast-style-transfer

2.4. 如何使用神经网络实现图像风格迁移。

https://github.com/lengstrom/fast-style-transfer

2.5 图像分割

https://github.com/MarvinTeichmann/tensorflow-fcn

2.6 使用SSD实现物体识别

https://github.com/balancap/SSD-Tensorflow

2.7 面向物体识别和分割的快速掩膜RCNN

https://github.com/CharlesShang/FastMaskRCNN

2.8 强化学习，对搭建一个机器人或者Dota AI非常有用。

https://github.com/dennybritz/reinforcement-learning

2.9 Google Brain团队的Magenta项目

https://github.com/tensorflow/magenta/tree/master/magenta/models

2.10 深度度双边学习实时图像增强

https://groups.csail.mit.edu/graphics/hdrnet/

2.11 自动驾驶汽车项目

https://github.com/udacity/self-driving-car

3. FAQ

学习过程中遇到困难怎么办？

首先，你必须明白机器学习不是100%精确的，大多数情况下只是一个很好的猜测并且需要大量的调整迭代。因此，在大多数情况下，想出一些独特的想法是非常困难的，因为你的时间和资源大多会花在训练模型上。所以不要试图独自找出解决方案，你可以搜索论文、项目以及找可以帮助你的人。可以说，在获得经验方面越快越好。

以下这些网站可以帮得到你：

为什么论文不能完全解决问题，或者在一些特定情况下为什么论文被验证是错的？

很遗憾的说，并不是所有的科技人员都愿意公开自己的研究成果，但他们需要通过发表论文来获得收益或者名望。所以他们中的一些人只公布了一部分材料，或者给出了错误的公式。所以我们最好搜索代码，而不是论文。论文只是解决了特定问题的证据或者事实。

从哪里查找最新的学习资料？

http://www.gitxiv.com/，不仅能找到最新论文，还能找到所需要的代码。
http://www.arxiv-sanity.com/
https://arxiv.org/

用云计算还是台式机/笔记本电脑？

在有大量计算需求的情况下，云计算是最好的选择。对于学习和测试，使用带有支持CUDA的显卡的PC/笔记本电脑要便宜得多。当然，如果你有免费云资源或多余资金，还是使用云比较好。

如何提高调超参数技能？

训练中的主要问题是时间，你不可能一直坐在那里盯着训练数据，因此建议你使用Grid Search。只需要创建一组超参数和模型架构，一个接一个的运行，并保存结果。这样你就能晚上训练，在接下来的一天对比结果，直至找到最有希望的那个。

你可以看看如何在sklearn库中完成这个操作：

http://scikit-learn.org/stable/modules/grid_search.html

作者 | Andrey Nikishaev
原文地址：
https://medium.com/machine-learning-world/learning-path-for-machine-learning-engineer-a7d5dc9de4a4