想成为机器学习工程师？这份自学指南你值得收藏
问耕 编译整理 量子位 出品 | 公众号 QbitAI
这篇文章的作者为Andrey Nikishaev，他既是一个软件开发者，也是一个创业者。
如何成长为一名机器学习工程师？
经常有人这么问，而这篇文章就尝试回答这个问题，其中会谈到关于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。你不仅将学习如何使用这些技术，还将学习如何从头开始构建它们。
这个指南主要面向计算机视觉（CV），这也是掌握一般知识的最快方式，从CV中获取的经验可以简单地应用到机器学习的其他领域。
我们将使用TensorFlow作为框架。这些课程需要你会Python，虽然不要求你是大师，但至少要懂基本的知识。（另外，都是英语授课）
温馨提示，学习知识与动手实践相结合效果更佳。
1. 课程
1.1 约翰霍普金斯大学的实用机器学习
课程总共4周，用户评分：4.4（5分制，下同）
地址：
https://www.coursera.org/learn/practical-machine-learning#syllabus
1.2 斯坦福大学的机器学习
课程总共11周，用户评分：4.9。授课教师是大名鼎鼎的吴恩达。
地址：
https://www.coursera.org/learn/machine-learning
上面两节课，会教给你数据科学和机器学习的基本知识，并为下面的学习做好准备。
1.3 CS231n：面向视觉识别的卷积神经网络
总共16个课时，目前已更新为2017春季的最新版本。李飞飞是这节课程的导师。
地址：
http://cs231n.stanford.edu/
现在才算步入正轨。这是网上最好的机器学习与计算机视觉课程。
1.4 Google讲深度学习
整个课程大约耗时三个月，导师为Google首席科学家Vincent Vanhoucke，以及Google Brain的技术负责人Arpan Chakraborty。
在这个课程中，将会教授深度学习的原理、设计可以从复杂的大型数据集学习的智能系统、训练和优化基本的神经网络、CNN、LSTM等。
地址：
https://www.udacity.com/course/deep-learning--ud730
选修课。你可以只看其中练习的部分。
1.5 CS224d：面向自然语言处理的深度学习
总共17个课时。
地址：
http://cs224d.stanford.edu/
选修课。推荐给那些需要用到NLP的同学。课程内容也很棒。
1.6 深度学习电子书
Leonardo Araujo dos Santos整理的深度学习电子书。
地址：
https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/
选看。这是一本涉及诸多机器学习领域的好书。
2. 练习
这部分给了一堆教程和项目的清单，你应该逐一尝试并了解它们的工作原理，以及考虑如何进行改进提升。这个列表的存在，只是为了增加你对机器学习的兴趣，所以遇到一些困难也别气馁，当你准备好就可以随时上手练习。
2.1 TensorFlow上的简单练习
Kadenze学院出品，总共5个课时。
地址：
https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info
2.2 Tensorflow菜谱
这部分内容来自Nick McClure的电子书《TensorFlow Machine Learning Cookbook》。
地址：
https://github.com/nfmcclure/tensorflow_cookbook
2.3 Tensorflow-101教程部分
这是一个用Python和Jupyter Notebook编写的教程。试图为TensorFlow初学者提供尽可能的详细解释，希望对大家有用~
地址：
https://github.com/sjchoi86/Tensorflow-101
2.4 快速风格迁移网络
地址：
https://github.com/lengstrom/fast-style-transfer
这个教程展示了如何使用神经网络，将名画的风格迁移到任何一张照片上。
2.5 图像分割
这是一个使用TensorFlow实现的完全卷积网络。作者Marvin Teichmann还提供了如何把这部分代码集成到你的语义分割管道中的示例。
地址：
https://github.com/MarvinTeichmann/tensorflow-fcn
2.6 使用SSD实现物体识别
物体识别最快（也是最简单）的模型之一
地址：
https://github.com/balancap/SSD-Tensorflow
2.7 面向物体识别和语义分割的快速掩膜RCNN
地址：
https://github.com/CharlesShang/FastMaskRCNN
2.8 强化学习
地址：
https://github.com/dennybritz/reinforcement-learning
非常有用，特别是当你想搭建一个机器人或者下一个DotA AI时。
2.9 Google大脑团队的Magenta项目
地址：
https://github.com/tensorflow/magenta/tree/master/magenta/models
这个项目旨在通过神经网络创造出色的艺术和音乐作品。
2.10 深度双边学习实时图像增强
地址：
https://groups.csail.mit.edu/graphics/hdrnet/
一个很棒的图像增强算法，来自Google。
2.11 自动驾驶汽车项目
地址：
https://github.com/udacity/self-driving-car
想造一辆自动驾驶汽车么？这是一个很好的入门。
3. FAQ
如果中途卡住了怎么办？
首先，你得明白机器学习不是100%精确的东西，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。大多数情况下，想出一个独特的点子是非常困难的，因为你的时间和资源将耗费在训练模型上。
所以，不要自己想解决方案。去搜索论文、项目，以及求助他人，积攒的经验越多，你会干的越好。给几个可能有用的网站：
http://www.gitxiv.com
http://www.arxiv-sanity.com
https://arxiv.org
https://stackoverflow.com
为什么论文不能完全解决这个问题，为什么论文有些地方是错的？
很遗憾，并不是所有的科技人员都想把他们的成果公之于众，但他们都需要发表论文来获得“名“或者”利”。所以一些人可能只发布部分素材，或者给出错误的公式。所以找到代码永远比找到论文更有用。
哪里可找到最新的资料？
参考上面推荐过的几个网站，尤其是gitxiv.com，不仅仅能找到论文，而且还能找到代码，所以特别实用。
我应该用云计算还是台式机/笔记本电脑？
云更适用于有大量计算需求的情况。对于学习和测试来说，使用台式机/笔记本电脑要便宜得多，当然前提是配有支持CUDA的显卡。比方，我自己就用一个笔记本训练模型，显卡是带有690CUDA核心的GTX GeForce 960M。
当然，如果有免费的云资源可用，当然要用。
如何更好地调整超参数？
训练的主要问题是时间。你不可能一直坐在那看着训练数据。因此，我建议你使用Grid Search。基本上，只需要创建一组超参数和模型架构，然后一个接一个的运行，并保存结果。这样就能晚上训练，白天比较结果，找到最有希望的那个。
详情可以参考这个网址：
http://scikit-learn.org/stable/modules/grid_search.html