图像识别 论文 资源 | 普通程序员如何自学机器学习？这里有一份指南~

机器学习工程师自学指南

本文将会介绍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，你不仅仅能学会如何使用它们，并且还能从零进行构建。

以下内容以计算机视觉为导向，这是学习一般知识的最快方法，并且你从中获得的经验可以很容易地迁移到机器学习的其他领域。

本文我们将会使用TensorFlow作为机器学习框架。

学习是一个多维因素作用的结果，所以如果能基于学习资料，理论和实践并重，学习效果会好很多。另外，还有一个很好的实践方法是参与Kaggle竞赛，通过竞赛的形式解决实际生活中的问题，从而巩固此前所学。

（要求：关于Python，你无需达到专家级别，但要很好地掌握基础知识）

1.课程

1.1?? 实用机器学习（约翰霍普金斯大学）

https://www.coursera.org/learn/practical-machine-learning

1.2?? 机器学习（斯坦福大学）

以上两个课程会教你一些数据科学和机器学习的基础知识，也有助于你对更有难度知识的学习和掌握。

https://www.coursera.org/learn/machine-learning

1.3 CS231n：面向视觉识别的卷积神经网络 2017 (2016)

该课程是网上关于ML & CV最好的课程之一，不仅能让你了解这里边的水有多深，还能为你进一步的研究探索打下良好的基础。

1.4 深度学习（Udacity的课程）

https://www.udacity.com/course/deep-learning--ud730

1.5 CS224d：面向自然语言处理的深度学习

1.6 深度学习相关的电子书（涵盖了ML的方方面面）

https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/

2.实战

以下是课程和项目列表，有助于理解运行原理并找到提升办法。

2.1. Tensorflow 相关的简单练习课

https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info

2.2. Tensorflow cookbook

https://github.com/nfmcclure/tensorflow_cookbook

2.3. Tensorflow-101教程部分

https://github.com/lengstrom/fast-style-transfer

2.4. 如何使用神经网络实现图像风格迁移。

https://github.com/lengstrom/fast-style-transfer

2.5 图像分割

https://github.com/MarvinTeichmann/tensorflow-fcn

2.6 使用SSD实现物体识别

https://github.com/balancap/SSD-Tensorflow

2.7??面向物体识别和分割的快速掩膜RCNN

https://github.com/CharlesShang/FastMaskRCNN

2.8 强化学习，对搭建一个机器人或者Dota AI非常有用。

https://github.com/dennybritz/reinforcement-learning

2.9 Google Brain团队的Magenta项目

https://github.com/tensorflow/magenta/tree/master/magenta/models

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-79755-1.html