Çiftçiliğe sorun derleyin ve organize edin
Qubit Üretildi | Genel Hesap QbitAI
Bu makalenin yazarı Andrey Nikishaev, hem yazılım geliştiricisi hem de girişimci.
Makine öğrenimi mühendisi olarak nasıl büyüyebilirim?
Bu sık sık sorulur ve bu makale, basit doğrusal regresyondan en son sinir ağına kadar makine öğreniminin tüm yönlerinden bahsedecek olan bu soruyu cevaplamaya çalışmaktadır. Sadece bu teknolojileri nasıl kullanacağınızı öğrenmekle kalmayacak, aynı zamanda bunları nasıl sıfırdan inşa edeceğinizi de öğreneceksiniz.
Bu kılavuz temel olarak bilgisayarla görü (CV) içindir ve aynı zamanda genel bilgileri öğrenmenin en hızlı yoludur. CV'den kazanılan deneyim, makine öğreniminin diğer alanlarına kolayca uygulanabilir.
Çerçeve olarak TensorFlow kullanacağız. Bu kurslar, usta olmanız gerekmese de, en azından temel bilgiye sahip olmanıza rağmen Python'u bilmenizi gerektirir. (Ek olarak, tüm dersler İngilizce olarak verilmektedir)
Sıcak bir hatırlatma, öğrenme bilgisi ve uygulamalı uygulamanın kombinasyonu daha iyidir.
1.1 Johns Hopkins Üniversitesi'nde pratik makine öğrenimi
Kurs toplamda 4 haftadır, kullanıcı derecelendirmesi: 4.4 (5 puanlık ölçek, aşağıda aynı)
adres:
https://www.coursera.org/learn/practical-machine-learning#syllabus
1.2 Stanford Üniversitesi'nde makine öğrenimi
Kurs toplamda 11 haftadır, kullanıcı derecelendirmesi: 4.9. Eğitmen ünlü Wu Enda'dır.
adres:
https://www.coursera.org/learn/machine-learning
Yukarıdaki iki ders size veri bilimi ve makine öğreniminin temellerini öğretecek ve sizi sonraki öğrenmeye hazırlayacaktır.
1.3 CS231n: Görsel Tanıma için Evrişimli Sinir Ağı
2017 baharının en son sürümüne toplam 16 ders saati güncellendi. Li Feifei bu kursun eğitmenidir.
adres:
Sadece şimdi doğru yoldadır. Bu çevrimiçi en iyi makine öğrenimi ve bilgisayarla görme kursudur.
1.4 Google derin öğrenmeden bahsediyor
Kursun tamamı yaklaşık üç ay sürüyor. Eğitmenler Google Baş Bilim Adamı Vincent Vanhoucke ve Google Beyin Teknik Direktörü Arpan Chakraborty.
Bu derste derin öğrenmenin ilkelerini öğretecek, karmaşık büyük veri kümelerinden öğrenebilen akıllı sistemler tasarlayacak, temel sinir ağlarını, CNN, LSTM vb. Eğitip optimize edeceksiniz.
adres:
https://www.udacity.com/course/deep-learning--ud730
Seçmeli dersler. Sadece egzersizin bir kısmına bakabilirsiniz.
1.5 CS224d: Doğal dil işleme için derin öğrenme
Toplam 17 ders saati.
adres:
Seçmeli dersler. NLP kullanması gereken öğrencilere tavsiye edin. Kurs içeriği de harika.
1.6 Derin Öğrenme e-Kitabı
Leonardo Araujo dos Santos tarafından derlenen derin öğrenme e-kitabı.
adres:
https://leonardoaraujosantos.gitbooks.io/art artificial-inteligence/content/
Görmeyi seçin. Bu, makine öğreniminin birçok alanını kapsayan iyi bir kitaptır.
Bu bölüm öğretici ve projelerin bir listesini verir, bunları tek tek denemeli ve nasıl çalıştıklarını anlamalı ve nasıl geliştirileceğini düşünmelisiniz. Bu liste yalnızca makine öğrenimine olan ilginizi artırmak için mevcuttur, bu nedenle bazı zorluklarla karşılaştığınızda cesaretiniz kırılmasın. Hazır olduğunuzda pratik yapabilirsiniz.
2.1 TensorFlow'da basit alıştırmalar
Kadenze Akademi tarafından üretilen, toplam 5 ders saati.
adres:
https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info
2.2 Tensorflow tarifi
İçeriğin bu kısmı, Nick McClure'nin "TensorFlow Makine Öğrenimi Yemek Kitabı" adlı e-kitabından gelmektedir.
adres:
https://github.com/nfmcclure/tensorflow_cookbook
2.3 Tensorflow-101 eğitim bölümü
Bu, Python ve Jupyter Notebook ile yazılmış bir öğreticidir. TensorFlow'a yeni başlayanlar için olabildiğince ayrıntılı açıklama sağlamaya çalışın, umarım herkes için yararlı olur ~
adres:
https://github.com/sjchoi86/Tensorflow-101
2.4 Hızlı stil aktarım ağı
adres:
https://github.com/lengstrom/fast-style-transfer
Bu eğitim, ünlü tabloların stilini herhangi bir fotoğrafa aktarmak için sinir ağlarının nasıl kullanılacağını gösterir.
2.5 Görüntü bölümleme
Bu, TensorFlow kullanılarak uygulanan tamamen evrişimli bir ağdır. Yazar Marvin Teichmann ayrıca, kodun bu bölümünü anlamsal bölümleme boru hattınıza nasıl entegre edeceğinize dair örnekler sunar.
adres:
https://github.com/MarvinTeichmann/tensorflow-fcn
2.6 Nesne tanımayı gerçekleştirmek için SSD kullanma
Nesne tanıma için en hızlı (ve en kolay) modellerden biri
adres:
https://github.com/balancap/SSD-Tensorflow
2.7 Nesne tanıma ve anlamsal bölümleme için hızlı maske RCNN
adres:
https://github.com/CharlesShang/FastMaskRCNN
2.8 Pekiştirmeli öğrenme
adres:
https://github.com/dennybritz/reinforcement-learning
Özellikle bir robot veya bir sonraki DotA AI inşa etmek istediğinizde çok kullanışlıdır.
2.9 Google Brain Team'in Macenta projesi
adres:
https://github.com/tensorflow/magenta/tree/master/magenta/models
Bu proje, sinir ağları aracılığıyla olağanüstü sanat ve müzik eserleri yaratmayı amaçlamaktadır.
2.10 Derin iki taraflı öğrenmenin gerçek zamanlı görüntü iyileştirmesi
adres:
https://groups.csail.mit.edu/graphics/hdrnet/
Google'dan harika bir görüntü geliştirme algoritması.
2.11 Otonom Araç Projesi
adres:
https://github.com/udacity/self-driving-car
Kendi kendine giden bir araba mı yapmak istiyorsunuz? Bu iyi bir giriş.
Ya yarı yolda takılırsam?
Her şeyden önce, makine öğreniminin% 100 doğru olmadığını anlamalısınız. Çoğu durumda, bu sadece iyi bir tahmindir ve çok sayıda ayarlama yinelemesi gerektirir. Çoğu durumda, benzersiz bir fikir bulmak çok zordur, çünkü zamanınız ve kaynaklarınız modeli eğitmek için harcanacaktır.
Bu nedenle, çözümleri kendiniz düşünmeyin. Kağıtları, projeleri arayın ve yardım isteyin. Ne kadar çok deneyim biriktirirseniz, o kadar iyi yaparsınız. Yararlı olabilecek birkaç web sitesi verin:
https://arxiv.org
https://stackoverflow.com
Kağıt neden bu sorunu tamamen çözemiyor? Neden kağıt bazı yerlerde yanlış?
Ne yazık ki, tüm bilimsel ve teknik personel sonuçlarını kamuya açıklamak istemiyor, ancak hepsinin "isim" veya "kar" kazanmak için makaleler yayınlaması gerekiyor. Bu nedenle, bazı kişiler materyalin yalnızca bir kısmını gönderebilir veya yanlış formülü verebilir. Bu yüzden kodu bulmak her zaman kağıdı bulmaktan daha faydalıdır.
En son bilgileri nerede bulabilirim?
Yukarıda önerilen web sitelerine, özellikle gitxiv.com'a bakın.Kağıtları bulmanın yanı sıra kodu da bulabilirsiniz, bu yüzden çok pratiktir.
Bulut bilgi işlem mi yoksa masaüstü / dizüstü bilgisayar mı kullanmalıyım?
Bulut, büyük miktarda bilgi işlem talebinin olduğu durumlar için daha uygundur. Öğrenme ve test etme için, CUDA'yı destekleyen bir grafik kartına sahip olması şartıyla, bir masaüstü / dizüstü bilgisayar kullanmak elbette çok daha ucuzdur. Örneğin, modeli kendim eğitmek için bir dizüstü bilgisayar kullanıyorum ve grafik kartı 690CUDA çekirdekli bir GTX GeForce 960M.
Elbette, ücretsiz bulut kaynakları mevcutsa, elbette kullanılmaları gerekir.
Hiperparametreler nasıl daha iyi ayarlanır?
Eğitimle ilgili temel sorun zamandır. Her zaman orada oturamaz ve egzersiz verilerine bakamazsınız. Bu nedenle, Grid Search'ü kullanmanızı öneririm. Temel olarak, yalnızca bir dizi hiperparametre ve model mimarisi oluşturmanız, ardından bunları birer birer çalıştırmanız ve sonuçları kaydetmeniz gerekir. Bu şekilde geceleri antrenman yapabilir ve en umut verici olanı bulmak için gün içindeki sonuçları karşılaştırabilirsiniz.
Ayrıntılar için lütfen şu URL'ye bakın:
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! İlgili ayrıntılar için lütfen QbitAI diyalog arayüzünde "işe alım" kelimesini yanıtlayın.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin