深度學習自學指南:6個月,從基礎知識到模型構建

2021-01-09 量子位

原作：Bargava安妮 編譯自 Medium量子位 出品 | 公眾號 QbitAI

給你6個月的時間開始學習深度學習，能夠達到怎樣的程度？

在這篇文章中，數據科學培訓老師Bargava就帶你半年入門深度學習。

在這份攻略中，我將給大家講講零基礎入門深度學習可行性強的資料和學習方法。當然，雖說的零基礎，但也有一個小門檻，你需要滿足以下條件：

在接下來的6個月中，每天花費10-20小時學習已經具備一些編程技巧，懂一些Python和雲的基礎知識有一些數學基礎（代數、幾何等）有一臺計算機，並且能聯網

量子位在這裡補充一句，想入門的小夥伴也可以現在開始準備英語了，畢竟……這些課程都是英文的。

第一階段

如果想學開車，應該坐上車通過模擬真實開車環境學習，而不是首先了解內燃機和離合器的工作原理。學習深度學習亦是如此，我們需要遵循這種自上而下的學習方法。

推薦fast.ai上的教程Practical Deep Learning for Coders—Part 1。這個課程需要學習4到6周的時間，並且包含一個雲端運行代碼的session。

不如就從這個課程開始入手吧。

當然，也有一些其他不錯的服務平臺可供你選擇，包括Paperspace、亞馬遜AWS、谷歌雲平臺（GCP）、Crestle和Floydhub等。

但切記，現在還沒到開始構建模型的時候。

Practical Deep Learning for Coders地址：

http://www.fast.ai/

第二階段

是時候了解一些基礎知識了。在這個階段，你需要學習微積分和線性代數。

MIT的Big Picture of Calculus課程可以幫你快速概覽微積分基礎知識。

對於線性代數，MIT知名教授Gilbert Strang的OpenCourseWare是個不二選擇。

學習完上面兩門課程後，推薦你閱讀舊金山大學科學家、fast.ai聯合創始人Jeremy Howard的Matrix Calculus For Deep Learning。

Big Picture of Calculus地址：

https://ocw.mit.edu/resources/res-18-005-highlights-of-calculus-spring-2010/highlights_of_calculus/big-picture-of-calculus/

OpenCourseWare地址：

https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

Matrix Calculus For Deep Learning地址：

http://parrt.cs.usfca.edu/doc/matrix-calculus/index.html

第三階段

經過前面兩個基礎夯實階段，現在我們有時間貫徹上面提到的自下而上學習法了。

這個階段推薦大家修一下Coursera上的Deep Learning專項課程，裡面包含5門吳恩達創立的deeplearning.ai的課程。

Coursera上「微專業」獲取方式和大學修展業很相似，學習課程後也需要完成相關作業。但講真你值得修一個專業。

理想情況下，根據你目前的學習基礎，完成一門課程需要花費一周時間。

deeplearning.ai課程地址：

https://www.coursera.org/specializations/deep-learning

第四階段

只學習不會玩，聰明的小孩也會變傻。

現在是時候了解深度學習庫了，TensorFlow、PyTorch和MXNet等都需要去了解一下，並且可以為你喜歡的問題從頭開始構建架構了。

到這裡我們可以發現，前三個步驟是在理解深度學習是什麼，從第四步開始，你需要學習從頭開始實現一個項目，並學習利用各種工具構建模型。

第五階段

現在，可以去剛剛提到的fast.ai課程的第二部分看看了，也就是Cutting Edge Deep Learning for Coders這一課。這裡面包含的問題更高級，你將學習閱讀最新的研究論文並且學習去理解它們。

上面的每個階段都需要4至6周的時間去理解它們。當你按照上面的方法學習了26周後，你會打下堅實的深度學習基礎。

Cutting Edge Deep Learning for Coders課程地址：

http://course.fast.ai/part2.html

下一站

之後，你可以學習斯坦福的CS231n: Convolutional Neural Networks for Visual Recognition和CS224d: Deep Learning for Natural Language Processing兩門課程了，它們對視覺和NLP的講解比較深度透徹。

如果有時間，還推薦你讀讀這本Deep Learning，對鞏固理解很有幫助。

CS231n課程地址：

http://cs231n.stanford.edu/

CS224d課程地址

http://cs224d.stanford.edu/

Deep Learning電子書地址：

http://www.deeplearningbook.org/

鑽研深度學習是一件樂事，用你的每一天去創造吧。

最後，附原文連結：

https://medium.com/@bargava/how-to-learn-deep-learning-in-6-months-e45e40ef7d48

— 完 —

相關焦點

  • 從知識到能力素養有了「抓手」
    課題組以學習理解、應用實踐和遷移創新的學科能力活動為切入點，以學科認識方式為核心，建立知識經驗與核心素養、學科能力及其表現的實質性聯繫，構建了包含學科核心素養的研究對象及問題情境、學科能力活動表現、知識經驗基礎、學科認識方式內涵實質及其發展水平的多維整合模型。
  • 【PPT下載】深度學習入門指南!六步構建深度神經網絡
    7月5日，智東西公開課推出的超級公開課NVIDIA專場進行完第九講，由NVIDIA中國GPU應用市場總監侯宇濤主講，主題為《揭秘深度學習》。侯宇濤老師對深度學習的定義、特點、應用以及新入門深度學習開發者的學習路徑進行了深入淺出的介紹。本文是侯宇濤的主講實錄，共計10672字，預計13分鐘讀完。
  • 盤點金融領域裡常用的深度學習模型
    要解決這個問題，如果我們考慮到深度學習在圖像識別、語音識別或情感分析方面所做的研究，我們就會看到這些模型能夠從大規模未標記數據中學習，形成非線性關係的遞歸結構，可以輕鬆予以調整以避免發生過度擬合。如果金融生態圈能夠使用這些網絡進行建模，應用領域就會深遠而廣泛。這些模型可用於定價、投資組合構建、風險管理甚至高頻交易等領域，讓我們來解決這些問題。
  • 開源機器人自學指南
    我在Github上發起了一個開源機器人學自學指南，地址是：https://github.com/qqfly/how-to-learn-robotics。第一版本放在公眾號裡發出：目錄零. 前前言一. 前言二. 先修知識三. 入門四. 實踐4.1 動手4.2 Penn's Robotics Specialization4.3 ROS五.
  • 需要知識的後深度學習時代,如何高效自動構建知識圖譜?
    而非結構化數據通常需要藉助自然語言處理、信息抽取、乃至深度學習的技術來幫助提取有效信息，這也是目前知識抽取技術的主要難點和研究方向，包含實體抽取、關係抽取和事件抽取三個重要的子技術任務。而近年來，隨著深度學習的發展，目前較流行的方法是將統計方法與深度神經網絡相結合，使用如長短期記憶網絡（LSTM）自動提取特徵，再結合 CRF 模型標註提取實體，自動化程度更高，適用範圍更廣。 關係抽取：指從文本中識別抽取實體之間的關係，抽取結果常使用 SPO 結構（即主謂賓結構）的三元組來表示。
  • 怎樣構建深度學習模型?六步走,時刻小心過擬合 | 入門指南
    夏乙 慄子 編譯自 Khanna.cc 量子位 報導 | 公眾號 QbitAI想要訓練個深度神經網絡，也準備好了可以直接用的數據，要從哪裡開始上手？來自美國的Harry Khanna，精心編織了一套六步法。
  • 自然語言處理深度學習的7個應用
    然而，深度學習方法在一些特定的語言問題上取得了最新的成果。這不僅僅是深度學習模型在基準問題上的表現，基準問題也是最有趣的；事實上，一個單一的模型可以學習詞義和執行語言任務，從而消除了對專業手工製作方法渠道的需要。在這篇文章中，你會發現7個有趣的自然語言處理任務，也會了解深度學習方法取得的一些進展。
  • Keras創始人:過去6個月,深度學習崗位已崩潰
    蕭簫 發自 凹非寺量子位 報導 | 公眾號 QbitAI深夜「報社」，著名的深度學習框架Keras的作者Franois Chollet語出驚人：深度學習崗位在這6個月以來已經崩潰。沒有開放評論，僅僅是一個觀點的輸出。
  • 資源| 自學數據科學&機器學習?19個數學和統計學公開課推薦
    自學的話很難單靠自己把這一切都把握好。如果你正面臨著這樣的難題，不要驚慌，現在我已經把這項艱辛的工作幫你完成了。這份列表推薦了來自 Coursera、edX、Udemy 和 Udacity 的最受歡迎的數據科學數學基礎公開課。這份列表經過了精心的編排，讓你可以結構化地自學數據科學所需的數學概念。現在就開始學習吧！什麼樣的課程適合你？
  • 十行代碼就能搞定深度學習?飛槳框架高層API,輕鬆玩轉AI
    機器之心發布機器之心編輯部嚮往深度學習技術，可是深度學習框架太難學怎麼辦？百度傾心打造飛槳框架高層 API，零基礎也能輕鬆上手深度學習，一起來看看吧？為了簡化深度學習的學習過程、降低深度學習的開發難度，百度飛槳框架歷經近一年的打磨，不斷地優化深度學習 API，並針對開發者的使用場景進行封裝，在飛槳框架的最新版本中，推出了高低融合、科學統一的飛槳全新 API 體系。飛槳框架將 API 分為兩種，基礎 API 和高層 API。
  • 2020年深度學習發展大盤點及對2021年深度學習的未來展望|極客雲算
    它可以在廣泛的範圍內訓練計算機視覺，並幫助世界各地的開發人員構建商業和工業用途的AI解決方案。 當前，人工智慧技術發展和應用落地速度較快，但對於大多數公司而言人工智慧技術發展所需要的人才、資金、時間成本仍然是瓶頸所在。深度學習框架是人工智慧基礎設施中的基礎工具，是AI產業商業化的重要根基。
  • 使用Python從頭開始實現深度學習庫
    理解深度學習平臺基本構建基礎的初學者指南。深度學習已在短時間內從簡單的神經網絡演變為非常複雜的架構。為了支持這種快速擴展，在此過程中開發了許多不同的深度學習平臺和庫。這些庫的主要目標之一是提供用於構建和訓練深度學習模型的易於使用的界面，使用戶可以將更多的精力放在手頭的任務上。
  • 16進位顏色表示與RGB色彩模型——零基礎自學網頁製作
    簡單說，就是在黃色的基礎上，把紅燈貢獻的紅色的比例增高就可以了。如圖：所以，為了標準化顯示，科學家使用一個三維向量來表示顏色。黑色就是（0,0,0）。括號裡的三個數值分別指R、G、B即紅綠藍。理論上，這個三維向量可以顯示所有顏色。但是我們前面說過，只要顯示比人眼能識別的顏色多一些就可以了，那我們就要給三個數值找一個上限。
  • 主流的深度學習模型有哪些?
    作者：阿薩姆 | 普華永道 數據科學家量子位 已獲授權編輯發布轉載請聯繫原作者深度學習大熱以後各種模型層出不窮，很多朋友都在問到底什麼是DNN、CNN和RNN，這麼多個網絡到底有什麼不同，作用各是什麼？趁著回答《深度學習的主要分類是什麼呀？這些網絡cnn dbn dnm rnn是怎樣的關係？》
  • 對抗深度學習:魚(模型準確性)與熊掌(模型魯棒性)能否兼得?
    為了揭示深度神經網絡模型的魯棒性和準確性之間的關係，來自 IBM 研究院，加州大學戴維斯分校，麻省理工學院以及京東 AI 研究院的研究人員，系統性地度量了 18 個被學術界和工業界廣泛接受並使用的 ImageNet 深度神經網絡模型，如 AlexNet、VGG Nets、Inception Nets、ResNets、DenseNets、MobileNets、NASNets 等的魯棒性。
  • 針對線性回歸模型和深度學習模型,介紹了確定訓練數據集規模的方法
    【導讀】對於機器學習而言，獲取數據的成本有時會非常昂貴，因此為模型選擇一個合理的訓練數據規模，對於機器學習是至關重要的。在本文中，作者針對線性回歸模型和深度學習模型，分別介紹了確定訓練數據集規模的方法。
  • 深度學習 vs. 概率圖模型 vs. 邏輯學
    【編者按】在上個月發表博客文章《深度學習 vs. 機器學習 vs. 模式識別》之後，CMU博士、MIT博士後及vision.ai聯合創始人Tomasz Malisiewicz這一次帶領我們回顧50年來人工智慧領域三大範式（邏輯學、概率方法和深度學習）的演變歷程。通過本文我們能夠更深入地理解人工智慧和深度學習的現狀與未來。
  • 百度PaddlePaddle聯手Kubernetes,助力開發者高效訓練深度學習模型
    選自Kubernetes等參與：吳攀、李亞洲、蔣思源2016 年 9 月，百度開源了深度學習框架 PaddlePaddle，今天，百度又宣布實現了這一框架和集群管理系統（cluster management system）Kubernetes 的兼容，從而使 PaddlePaddle 成為了迄今為止唯一一個官方支持 Kubernetes 的框架。
  • 手把手:教你如何用深度學習模型預測加密貨幣價格
    實際上，我並沒有持有任何加密貨幣，但說起憑藉深度學習、機器學習以及人工智慧成功預測加密貨幣的價格，我覺得自己還算是個老司機。一開始，我認為把深度學習和加密貨幣結合在一起研究是個非常新穎獨特的想法，但是當我在準備這篇文章時，我發現了一篇類似的文章。那篇文章只談到比特幣。
  • 深度學習時代的圖模型,清華發文綜述圖網絡
    引言近十年，深度學習成為人工智慧和機器學習這頂皇冠上的明珠，在聲學、圖像和自然語言處理領域展示了頂尖的性能。深度學習提取數據底層複雜模式的表達能力廣受認可。但是，現實世界中普遍存在的圖卻是個難點，圖表示對象及其關係，如社交網絡、電商網絡、生物網絡和交通網絡。圖也被認為是包含豐富潛在價值的複雜結構。