版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/briblue/article/details/102969722
本文适用于有下面情况的同学们:
近几年,AI 很火,在很多领域都取得了突破性的成果。这吸引了很多人的目光,我从几年前决定投入到 AI 的怀抱中,过程很艰苦,走了很多弯路,希望此文能带给新人一些提示。
很多同学担心自己数学底子薄,所以要不要入 AI 考虑了很久,还不敢下定决心。
我也是本科毕业,大学荒废了数学。
后来,我是怎么学的呢?
起初,我在淘宝网买了整套二手的数学教材,看的很吃力。看了 1 个月后,进度很慢。
后来,偶然的渠道,我看了网络上的考研数学视频。
那些老师讲的都很好,比自己大学老师讲的好多了。
于是,我就开始学。
每天上班在路上学。
午休时也学。
上厕所时也拿出手机学。
睡觉前还是学。
反反复复后,把很多概念吃透了,某一天竟然有了顿悟的感觉。
后来,遇到实际问题需要数学时,我就会看网络上大家对于某个数学概念的解读,每次收获也很大。
反正,我现在也在不停的学数学。
你可以试试这样:
看考研的数学教学视频
你如果觉得数学不会成为你的拦路虎后,那么你就可以选择 AI 了。
吴恩达的视频是个好的入门途径。
李航的《统计学习方法》也是应该人手一本的。
但是,我觉得对于新手最友好的应该是《机器学习实战Python版》,也就是人民邮电出版社那个版本。
它是 Python 写的,并且书很薄,一周时间就可以搞定。
为什么首推这本书呢?
因为绝大多数初学者只对 AI 感兴趣,但是并无具体上的概念。
跟着这本书的代码敲一遍,可以形成初步的印象,激发学习成就感。
我估计有好多的初学者,被那些枯燥的理论书给折磨了兴致。
机器学习确实需要推到公式,我建议根据知识体系,一个一个突破,不要急于求成,遇到不懂的地方,网络上看别人的理解,反复搞几次,我相信你会有顿悟的那一天。
另外,说回李航《统计学习方法》这本书,很多次我感觉是一本冷血没有温度的书,虽然很薄,但是沉下心来吃透它,你将收获颇丰。
当然,等你不再对一些基础概念畏惧时,可以看看《百面机器学习》这本书,非常棒。
深度学习目前最火热的应该是 CV 和 NLP。
我是搞 CV 相关的,也就是机器视觉。
深度学习,我首推的是《深度学习入门–基于Python的理论与实践》,斋藤康毅著陆宇杰译。
符合日本人的写作风格,短小精悍,通俗易懂,关键是理论和实例兼顾的很好。
我很佩服这位作者。
我讨厌花书,你们现在可以喷我了!
入门用吴恩达的深度学习视频也是挺好的。
深度学习要进阶,我觉得论文要看。
AlexNet、GoogLeNet、VGG、ResNet 等等这些经典的神经网络的论文要学习。
再之后,像 Batch Norm 这种优化手段的论文也需要学习。
然后,就可以往专业领域进阶了。
比如,我是搞机器视觉方面的。
所以,我会研究 YOLO、SSD、R-CNN 系列论文。
初学者可以选择 Pytorch 入门。
如果非要用 Tensorflow 的话,先从它的 keras 版本开始吧。
我讨厌 Tensorflow,你们可以喷我了
搞深度学习一定要学会自己去构建、优化神经网络,如果脱离了这个你将永远停留在别人的教程DEMO 这个水平之下,具体可以看我这篇博文《用 PyTorch 从零创建 CIFAR-10 的图像分类器神经网络,并将测试准确率达到 85%》。
有一个容易忽略的问题就是,很多时候,你觉得自己懂了,可能是因为看别人的文章时别人讲的很通顺,让你产生了自己也这么思维清晰的错觉。学技术你应该多动手,多亲自思考,这样才会真正的理解深刻和产生长足的进步。
等你具备了基础的入门能力,就要学会自己去探索问题,多看看行业最新学术动态和工业成果,不断打磨自己的技术。
我想说的是,不要把学历的问题遮挡你自己,如果你真爱某个东西,用心用力做好有什么需要顾虑的呢?
很多时候,我们并没有自己想象中的那么笨。
相信我,你可以的。