让小白3个月从零养成Machine Learning / AI 达人
让小白3个月从零养成Machine Learning / AI 达人
本文的目的单纯想加速从零开始转换AI领域的时间. 希望按表操课的人可以以最高效率， 在三个月内具备以下AI技能.
- 了解Machine Learning 基本算法
- 会用Matlab / Octave / python建构Machine Learning
- 熟悉Anaconda、jupyter等功能及环境介面
- 了解Deep Learning Framework（ 如Tensorflow、keras、PyTorch 等）
建议菜单序
- 网络课程（视频课程）
- 1-a. Coursera的Machine Learning（=CS229a， less math， run @ matlab/octave）
- 1-b. Coursera的Deep Learning specialization（=CS230， less math， run @ python/tensorflow）
- 1-c. Stanford的CS229 （Machine Learning， more math， run @ matlab/octave）
- 1-d. Stanford的CS231n (Convolutional Neural Networks for Visual Recognition)
- 开发工具（工具/环境）
- 应用实战（Kaggle）ermaid
网络课程课程菜单
1.a Coursera的Machine Learning （大约需要3周左右完成）
其实这就是Stanford的229a， 建议直接到Coursera参加课程， 作为0基础者的入门是非常浅显易懂的， Coding部分只用了matlat/octave， 对没有python经验的新人来说， 真的是进入Machine Learning的方便之门， 这也是最花时间的部分，完成这个阶段算是对Machine Learning有基本的了解， 从Linear、Non-linear、Logistic 一直到 Nueral Network、Recommend system等等， 也有能力自己写一些小程序练习， 完成此课程后对这个playground的小接口大概可以有些感觉
1.b Coursera 的Deep Learning Specialization （Course 1 ~ 5）
Course.1 Neural Networks and Deep Learning （大约可以4天左右完成）
- 内容都是跟cs229a基本一样， 相当于用jupyter python复习一次
Course.2 Improving Deep Neural Networks （大约可以7天左右完成） - 主要介绍各种提高准确度或提高效率的求解优化技巧
Course.3 Structuring Machine Learning Projects （大约可以1–2天左右完成）
Course.4 Convolutional Neural Networks （大约可以6-7天左右完成）
Course.5 Recurrent Neural Network （大约可以6– 7天左右完成）
以上课程在Coursera上都只有7天免费， 但是网络上还是其他地方可以找到完整视频， 所以建议先到这些地方看完再决定要不要花钱买证书啰， 如Andrew说明， 虽然有些内容是重叠的， 但是说明的方式不太一样， 另外CS3230主要是走jupyter ipython的， 个人觉得这个考量不错， 根据课程设计及需求， 并搭配业界主流工具来选择课程上的coding环境.
的作法是在免费平台看完， 然后登入Coursera全力做quiz & assignment，这样你可以在7天内完成课程喔， 已经把空白的assignment整理好， 只要下载（下载链接 ）后放到jupyter文件夹即可， 所以完全可以依课程进度在单机作业， 完成每个课程后再去coursera冲assignment/quize提交， 这样可以确保每一门课的完成时间（jupyter安装看这边）.
完成这个阶段算是对Deep Learning有一定了解了， 可以说出ML/DL差异的个人看法、熟悉jupyter能写点python、知道tensor flow/keras等等frameworks.
1.c Stanford的CS229
Youtube可以找到完整课程， 229 & 229a的差别在于CS229 比较着重数学推导说明， CS229a着重在实用知识， 就手应用技巧， 数学说明较少
Andrew Ng个人建议是， 因为229是挑战性较高的课程， 如果你担心你还没准备好， 可以先考虑229a， 个人建议是看229a就好， 因为Andrew会提醒你这部分的数学推导跳过啰， 如果你有兴趣的话你会尝试自己推导验证. 所以看完229a你会知道你对229有没有兴趣， 如果你对数学有特殊爱好当然也可以直接看229， 看完就真的不用看229a了.
个人认为最大的帮助是， 最短时间内你确实踏实的修了一门algorithm的概念课程， 这类帮助在平常几乎是看不出来（或者说需要有点能力，才能辨别出来）， 但是在很多小细节的思维逻辑及讨论过程就能看出水平的差异， 在很多领域都有类似的状况， 就像很多机构工程师连应力都不会算一样， 但还是可以混得下去的.
1.d Stanford的CS231n
一般来说是因为算法特性的关系，
CNN特别适合用在影像AI （2D/3D data）， RNN特别适合用在音频AI（1D sequence data）， 231n是专门讲CNN的课程， 尤其因为飞飞的关系， 在强国被奉为大陆影像AI第一人， 所以她的课程光是大陆人的流量就爆冲了.
上述课程的难易度一般来说是
coursera Machine Learning < cousera Deep Learning < CS231 < CS229
ps. 虽然很多课程是重复的， 不过有些东西还是可以花点时间看一下， 例如YouTube上的cs230 autumn 2018 L8， Andrew分享了一些他怎么读 paper的方式， 以及他个人看过这么多Stanford学生的求学/求职模式后， 他觉得各种模式的优缺比较. 听听看Standford名师课堂上对Stanford学生的建议与分享， 觉得也是不错的.
另外1.25x播放是非常不错的方式， 可以很大程度帮助各位提高效率并节省很多时间， 到第二个月才发现这个方式， 个人建议是如果能快的时候可以尽量快， 该慢的时候要步步踏实， 例如在做assignment的时候， 除了完成作业， 会把他们的code看懂（因为很久没有写程序啦）， 卡关的时候切忌不要上网找答案， 像在第一次assignment的时候， 卡在simutaneously update就卡了1个小时多才发现问题， 再回头对比程序及教材或数学式时， 会对数学式或Andrew再三强调的simutaneously update很有感觉.
2. 开发工具（工具/环境）
如果依上述菜单进行的话， 你会依以下流程习惯这些工作环境 ：
Octave/Matlab（cs229a） -> jupyter python（cs230 / cs231n） -> tensor flow（cs230） -> Google Colab
使用python时， 千万不要单独安装python以及各种package， 建议要务必利用Anaconda作为python版本及众多package的管理界面. 可以节省大量时间而且省心省力好上手.
另外建议要熟悉一下github界面， 因为cs230的assignment， 当时是在GitHub上东拼西凑整理出来， 未来要做项目免不了team work模式， 所以GitHub的界面使用还是有必要了解一下的， 只是为了协助各位最短时间吃完以上菜单， 所以直接把cs230 assignment的空白卷 也一并整理出来让大家效率更高.
完成这个阶段， 原则上你已经是具备AI的一切技能了， 差的只是提升实战经验了.
3. 应用实战（Kaggle）
大概在完成1b. Course 2开始接触Kaggle， 觉得这个切入的时机点不错， 因为这个阶段已经算对ML/DL有一定认识， 只是coding技能尚未纯熟， 问题思考角度与经验尚待补强， 这时候进到Kaggle最大的好处是， 它有很多很多很多的题目， 所以绝对足够练习. 另外Kaggle也有一些免费课程， 这边的课程觉得就不用上了， 直接透过Competetion题目实作学习比较快. 一般来说Knowledge类的题目都是不错的练习题， Kaggle也会告诉你Titanic是它们建议的第一题， 再来House Prices、Digital Recognition等等， 第一次感受完后， 可以看看其他人的思考过程分享文（的结果Top 2.5%， code在GitHub这边）.
Titanic的分享文很多， 英文不错的话建议看这两篇
- Titanic Survive Prediction Tutorial for Beginners
- Titanic Data Science EDA with meme+Solution
中文建议这篇
-泰坦尼克号生存预测（Top 3%）
搞了3天 总算达成自定义目标 （rank TOP 3% up & score 0.8 up）， 非常适合新手练习的题目
Deep CNN Task ： 上完Coursera Deep Learning专项课程后， 应该有能力作一些稍微复杂的模型， 个人练习了重现facenet模型（Facenet = MTCNN + ResNET embedding+ Triplet classifier）， 下图为在jupyter重现MTCNN的结果.
左边为MTCNN 3阶段产出， 右边为即时影像脸部侦测
Deep CNN Task ： 重现Facenet 即时人脸辨识
Other Resources
Machine Learning Crash Course ： Google 提供的ML在线教育资源
https://leetcode.com/ ： 写程序必须谨记“高效”， 彻底改变你对写程序的认知