Pratik | Bu makale sizi sıfır temelli derin öğrenmeye götürür
Kaynak: Yapay Zeka Başlıkları
Bu makale toplam 3369 kelimedir, okumanız tavsiye edilir 5 dakika.
Bu makale, size acemi bir bakış açısından ve gerçekten sıfır tabanlı bir bakış açısıyla bazı profesyonel tavsiye ve rehberlik sağlamayı ummaktadır.
Burada derin öğrenmenin ne kadar sıcak olduğunu vurgulamayacağım. Bu nedenle, birçok kişi "Derin öğrenmeye (makine öğrenimine) geçmek uygun mu" ve "Derin öğrenmeye (makine öğrenimi) nasıl geçilir" gibi birkaç konuyla ilgileniyor. "," Derin öğrenmeye geçmek için hangi giriş materyallerine ihtiyacım var? "Vb.
Öte yandan internette karşılık gelen soruların cevapları da dağınıktır ve isteksizlik, yetersiz temel gibi sorunlar vardır.
Pek çok insanın belirli bir mesleki temele sahip olmadığı ve değişen kariyer ve öğrenmenin sorunları hakkında daha çok endişe duyduğu düşünüldüğünde, bu makale acemi bir bakış açısıyla gelmeyi ve gerçekten sıfır temelli bir bakış açısıyla bazı profesyonel tavsiye ve öneriler sunmayı umuyor. kılavuz.
Çok fazla gereksiz bilgiyi okumaktan ve sapmalardan kaçının. Ardından, bu makale açıklamayı genişletmek için aşağıdaki talimatlardan başlar:
- Derin öğrenme için ne tür bir insan uygundur?
- Derin öğrenme nasıl öğrenilir?
- Derin öğrenmeye giriş için önerilen malzemeler nelerdir?
Derin öğrenmeye kimler uygundur
Derin öğrenme için kaçınılmaz olan belirli bir eşik vardır ve çevrimiçi olarak söylenen sadece "tünel açan bir dar" değildir. Bazı gerçek iş senaryolarını birleştirebilir, bazı modelleri yeniden üretmeniz veya hatta bazı modelleri kendiniz tasarlamanız gerekir, bu nedenle belirli matematik, İngilizce, programlama ve diğer becerilere sahip olmanız gerekir.
1. Ortaokul mezunları ve lise mezunları derin öğrenmeye uygun mu?
Burada bu tür insanlara derin öğrenmeye geçmelerini tavsiye etmiyorum çünkü şu anda ihtiyacınız olan derin öğrenme değil, lise bilgi birikimi, üniversite bilgi birikimi ve düşünme modunun geliştirilmesi, eğer hala gençseniz, önce bunları almanızı öneririm. Yolda yürüdükten sonra derin öğrenmeyi düşünün.
Hayatınızda hala birçok olasılık var ve erken bir seçim yapmak için acele etmenize gerek yok. Tabii eğer belli bir yaşa geldiyseniz, bu konuda gerçekten atılmaya gerek olmadığını düşünüyorum, hala para kazanmak için birçok fırsat var.
2. Liberal sanat öğrencileri derin öğrenmeye uygun mu?
Liberal sanat öğrencileri için genellemeler yapabileceğimizi sanmıyorum. Bazı liberal sanat öğrencileri, özellikle dilbilim ve edebiyat alanlarında uzman olanlar, daha farklı bir düşünme yaklaşımına sahip olabilir ve mantıksal düşünme becerilerinden yoksun olabilir.
Bu tür insanlar için derin öğrenmeye girmeleri çok tavsiye edilmez, ancak sektörde başarılı olmaları veya bazı programlama ve model tasarım eğitim görevlerinden kaçınmak için derin öğrenme ürün yöneticileri gibi bazı pozisyonları seçmeleri tavsiye edilir.
3. Mekanik ve elektrik gibi bilim ve mühendislik geçmişine sahip kişiler derin öğrenmeye uygun mu?
Elektrik, elektronik, mekanik, kimyasal, biyolojik vb. Bilim ve mühendislik bölümleri öğrencileri için derin öğrenmeye girmeyi seçerlerse, kişisel olarak bunun hala mümkün olduğunu hissederler.
Makineyi örnek olarak ele alırsak, makine endüstrisindeki birçok arkadaş aynı zamanda bazı düşük seviyeli programlama görevlerine maruz kalacak; bazı elektronik ve elektrikle ilgili öğrenciler için, genellikle bazı programlama görevlerine de maruz kalacaklar.
Benzer şekilde, sinyal işleme konusunda da bilgi sahibidirler.Bu insanlar için derin öğrenme ve makine öğrenimi için giriş engeli daha düşük olacaktır. Elbette aslında uygun olup olmadığını görmek için kendi durumumuza bakmamız gerekiyor, aşağıdaki standartları kontrol edebilirsiniz.
4. Çok yaşlısam derin öğrenmeye geçmek uygun mudur?
Kişisel olarak bunu önermiyorum çünkü temel rekabet gücü bazı gençlerle bazı boşluklara sahip. Mümkünse bu alanda uygulama yapmaya devam etmeyi umuyorum.
5. İki veya üç ay boyunca yıllık 200.000+ maaşla büyük bir tanrı olmayı öğrenmeyi dört gözle bekliyorum.
Herhangi bir teknolojinin öğrenilmesi, özellikle derin öğrenme ve makine öğrenimi gibi işler için belirli bir süre biriktirmeyi gerektirir. Kısa vadede, profesyonel rehberlikle birleştirildiğinde, yola ilk kez göz atabilirsiniz, ancak yeterlilik işe yaramayacaktır. Açık fikirli çalışın, belirli bir süre sonra, yıllık 200.000+ umut maaşı hala harika.
Özetle derin öğrenmeye kimler uygundur?
- Üniversitelerde ileri matematik eğitimi almış lisans, yüksek lisans ve doktora öğrencileri;
- Gelişmiş matematik temeline sahip şirketin teknik personelinin yapay zekanın güçlendirilmesine ihtiyacı var;
- Geçmişte PC, iOS ve Android için geliştirilen programcılar ve bir programlama temeli olanlar;
- İyi bir mantıksal düşünme yeteneğine sahip mezunlar.
Derin öğrenmeye nasıl başlanır
Derin öğrenmeye kimin uygun olduğunu konuştuktan sonra, derin öğrenmeyi nasıl öğreneceğimize bir göz atalım.
Özellikle, aşağıdaki adımları izlemeniz gerekir:
- Derin öğrenmeye genel bakış : Derin öğrenmenin geçmişini ve bugününü anlayın, derin öğrenmede neden bir patlama var? Temsil edilen teknolojiler nelerdir, çeşitli sektörlerdeki hangi alanlar, ürünler, şirketler ve uygulamalar yer almaktadır. Mümkün olduğunca popüler bilim derin öğrenme ile ilgili bilgiler;
- Derin öğrenme bilgisine giriş: Derin öğrenme, makine öğrenimi ve yapay zeka arasındaki farklılıklar ve bağlantılar;
- Derin öğrenmenin ön bilgisi: Matematiksel temel (doğrusal cebir, matris, olasılık ve istatistik, optimizasyon, vb.), Makine öğrenimi temeli, programlama temeli;
- Derin öğrenmenin temel bilgisi: Sinir ağı, derin ağ yapısı, görüntü görevi, konuşma görevi, doğal dil görevi;
- Gelişmiş derin öğrenme bilgisi: Ağ inşasını ve eğitimini tamamlamak için derin öğrenme çerçevesi nasıl kullanılır?
Derin öğrenme şirketleri, yani yapay zeka şirketleri ile ilgili olarak daha önce bahsetmiştik, burada bazı temsili firmalara odaklanacağız:
- Konuşma tanıma teknolojisi, yerli şirketler iFLYTEK ve Baidu. Yabancı şirketler Google, Amazon, Microsoft vb. Endüstri uygulamaları akıllı hoparlörler ve diğer ürünlerdir;
- Güvenlik için Hikvision, Tucson Teknolojisi, Yitu Teknolojisi, Megvii Teknolojisi gibi görüntü tanıma teknolojisi, temsilci yüz tanıma, iPhone X yüz tanıma;
- Tesla, Uber, Baidu ve diğer şirketler tarafından geliştirilenler gibi otonom sürüş teknolojisi;
- Finans alanında hisse senedi fiyatlarını tahmin etme, tıp alanında hastalık izleme, eğitim alanında teknoloji güçlendirme vb.
- Alibaba Taobao.com'da binlerce kişi.
Daha sonra derin öğrenme hakkında bazı genel bilgilere bakacağız.
Açık olmamız gereken şey, derin öğrenmenin bir makine öğrenimi yöntemi olduğudur.Derin öğrenmeye ek olarak, doğrusal regresyon, lojistik regresyon, SVM, rastgele orman, grafik modeli, Bayesian ve diğer birçok yöntemi de içerir.
Derin öğrenme tüm görevler için etkili değildir. Bazen bazı geleneksel makine öğrenimi yöntemlerine de ihtiyaç duyulur. Makine öğrenimi, yapay zekayı gerçekleştirmek için vazgeçilmez bir teknik araçtır.
Derin öğrenme ile geleneksel makine öğrenimi arasındaki farklar ve bağlantılar nelerdir? Lütfen aşağıdaki noktalara bakın.
- Veri bağımlılığı. Derin öğrenme ile geleneksel makine öğrenimi arasındaki temel fark, verilerin ölçeği arttıkça performansının artmaya devam etmesidir. Veriler küçük olduğunda, derin öğrenme algoritmasının üstesinden gelmesi kolaydır (basitçe zayıf performans olarak anlaşılabilir).
- Donanım bağımlılığı. Derin öğrenme algoritmaları çok sayıda matris işlemi gerektirir. GPU'lar esas olarak matris işlemlerini verimli bir şekilde optimize etmek için kullanılır. Bu nedenle, GPU'lar derin öğrenmenin düzgün çalışması için gerekli donanımlardır. Geleneksel makine öğrenimi algoritmalarıyla karşılaştırıldığında, derin öğrenme daha çok GPU'ların kurulu olduğu ileri teknoloji makinelere dayanır. Tabii ki GPU'lara ek olarak çok önemli olan başka derin öğrenme çip geliştirmeleri de var. Genel uygulama, gerçek projelerde diğer derin öğrenme çipleri yerine GPU eğitimini kullanmaktır.
- Özellik gösterimi. Geleneksel makine öğrenimi, manuel tasarım özelliklerine daha çok dayanır ve daha fazla alan bilgisi sunma ihtiyacı duyarken, derin öğrenme, farklı ayrıntı düzeylerinde özellikleri doğrudan çıkarabilir, böylece daha yüksek temsil yeteneklerine sahip olabilir.
- Uçtan uca. Geleneksel makine öğrenimi yöntemleri için mantıksal kuralların tasarımına daha fazla dikkat edilir.Bir problem çözülürken, birkaç farklı alt probleme bölünürken, derin öğrenme veri perspektifinden soruna daha fazla vurgu yapar. Çözmek daha uçtan uca.
- Antrenman vakti. Derin öğrenme modellerinin eğitimi genellikle uzun sürer, ancak neyse ki, test ederken daha az zaman alır.
- Yorumlanabilirlik. Derin öğrenme algoritmasının yorumlanabilirliği zayıftır ve daha çok bir kara kutu işlemine benzer.
Derin öğrenmenin temel bir durumunu anladıktan sonra, derin öğrenmeye ilişkin bazı öğrenmeye bakalım. Hangi ön koşulları öğrenmeniz gerekiyor?
- matematik (Yüksek sayılar, doğrusal cebir, olasılık istatistikleri, matris analizi, hala fırsatınız varsa, ilgili optimizasyon bilgisini anlayabilirsiniz);
- ingilizce , Bol miktarda İngilizce edebiyatı okuma ihtiyacı, İngilizce okuma ve anlama becerisine sahip olunmalıdır;
- Programlama , En azından Python'u bilin, eğer C / C ++ öğrenmek için enerjiniz varsa;
- Makine öğrenme , Hala bazı geleneksel makine öğrenimi algoritması önerilerini bilmem gerekiyor.
Yukarıda bahsedilen temel yeteneklerden bazılarını hazırladıktan sonra, Derin öğrenme hakkında bazı temel bilgilere bir göz atalım, bilmeniz gerekenler:
- Nöral ağlar;
- CNN, RNN, LSTM, vb. Gibi farklı ağ yapıları;
- Derin öğrenme çerçeveleri: Caffe, TensorFlow ve bu çerçevelerin nasıl kullanılacağı;
- Derin öğrenme + görüntü işleme modeli;
- Derin öğrenme + konuşma tanıma modeli;
- Derin öğrenme + doğal dil işleme modeli.
Not: Yukarıda bahsedilen üç görev için (derin öğrenme + görüntü işleme modeli, derin öğrenme + konuşma tanıma modeli, derin öğrenme + doğal dil işleme modeli), alanlardan birine odaklandığınız sürece gerçekten yetkin olmanıza gerek yoktur. Kendi ilgi alanlarınızı birleştirin.
Özellikle, hangi endüstriyi tercih ettiğinizi görmek için "Bilgisayarla Görme Endüstrisinde Derin Öğrenmenin Uygulanması, Konuşma Teknolojisi Alanında Derin Öğrenmenin Uygulanması, Derin Öğrenmenin Doğal Dil İşleme Endüstrisinde Uygulanması" başlıklı makalelere bakabilirsiniz. Bu sektördeki araştırmaya odaklanın ve takipte fırsatlar varsa, daha üst düzey genel teknolojileri ve çerçeveleri düşünüyoruz.
Son olarak, teorik kısım vurgulandıktan sonra, asıl savaş kısmı olan ileri bilgiye odaklanacağız. Derin öğrenmeyi öğrenirken, daha derin öğrenmenin hala programlama gerektirdiğini anlamalısınız! Programlama! Programlama! Diğer bir deyişle, sadece teorik düzeyde kalamazsınız, ancak bazı gerçek sınıflandırma görevleri üzerinde deneyler yapmak için Caffe veya TensorFlow kullanma yeteneğine sahip olmanız gerekir. Ancak bu şekilde daha hızlı deneyim biriktirebilir ve derin öğrenmeye daha erken başlayabiliriz.
Son olarak, herkese bazı kurslar ve öğretim materyalleri öneriyorum:
- İlki doğrusal cebir. MIT tarafından başlatılan "MIT Açık Sınıf: Doğrusal Cebir" dersini tavsiye ederim. Doğrusal cebirin lisans doğrusal cebirimizle aynı olmadığını göreceksiniz.Bu açıklamayı anlamak daha kolay! ! Artık hesaplama problemleri düzeyinde kalmamak, gerçekten yararlıdır!
- Stanford Machine Learning: Stanford University Open Course: Makine öğrenimi dersi, buna vurgu yapılmaz, NG dersleri genellikle bu sektörde öğrenir!
- Öğretmen Zhang Zhihuanın "İstatistiksel Makine Öğrenimi" ve "Makine Öğrenmesine Giriş". Bu kurs, daha derinlemesine istatistiksel makine öğrenimi teorilerini içerir. Okuduktan sonra, olasılık teorisi hakkında daha derin bir anlayışa sahip olacaksınız!
- Öğretmen Zhou Zhihuanın Karpuz Kitabı, makine öğrenimine genel girişi oldukça basittir! İş ararken her görüşmeden önce bu kitabı okumayı unutmayın!
- Caffe ve TensorFlow'un çalışması daha çok bazı Demoları uygulamak ve makaleleri okumakla ilgilidir.Ayrıca gelecekte bazı giriş kursları da başlatacağım.Umarım öğrenmeye devam edebilirsiniz.
Operatör: Ran Xiaoshan
