本文來自AI新媒體量子位（QbitAI）
這篇文章的作者為Andrey Nikishaev，他既是一個軟體開發者，也是一個創業者。
如何成長為一名機器學習工程師？
經常有人這麼問，而這篇文章就嘗試回答這個問題，其中會談到關于機器學習的方方面面，從簡單的線性回歸到最新的神經網絡。你不僅将學習如何使用這些技術，還将學習如何從頭開始建構它們。
這個指南主要面向計算機視覺（CV），這也是掌握一般知識的最快方式，從CV中擷取的經驗可以簡單地應用到機器學習的其他領域。
我們将使用TensorFlow作為架構。這些課程需要你會Python，雖然不要求你是大師，但至少要懂基本的知識。（另外，都是英語授課）
溫馨提示，學習知識與動手實踐相結合效果更佳。
1.1 約翰霍普金斯大學的實用機器學習
課程總共4周，使用者評分：4.4（5分制，下同）
位址：
https://www.coursera.org/learn/practical-machine-learning#syllabus
1.2 斯坦福大學的機器學習
課程總共11周，使用者評分：4.9。授課教師是大名鼎鼎的吳恩達。
https://www.coursera.org/learn/machine-learning
上面兩節課，會教給你資料科學和機器學習的基本知識，并為下面的學習做好準備。
1.3 CS231n：面向視覺識别的卷積神經網絡
總共16個課時，目前已更新為2017春季的最新版本。李飛飛是這節課程的導師。
http://cs231n.stanford.edu/
現在才算步入正軌。這是網上最好的機器學習與計算機視覺課程。
1.4 Google講深度學習
整個課程大約耗時三個月，導師為Google首席科學家Vincent Vanhoucke，以及Google Brain的技術負責人Arpan Chakraborty。
在這個課程中，将會教授深度學習的原理、設計可以從複雜的大型資料集學習的智能系統、訓練和優化基本的神經網絡、CNN、LSTM等。
https://www.udacity.com/course/deep-learning--ud730
選修課。你可以隻看其中練習的部分。
1.5 CS224d：面向自然語言處理的深度學習
總共17個課時。
http://cs224d.stanford.edu/
選修課。推薦給那些需要用到NLP的同學。課程内容也很棒。
1.6 深度學習電子書
Leonardo Araujo dos Santos整理的深度學習電子書。
https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/
選看。這是一本涉及諸多機器學習領域的好書。
這部分給了一堆教程和項目的清單，你應該逐一嘗試并了解它們的工作原理，以及考慮如何進行改進提升。這個清單的存在，隻是為了增加你對機器學習的興趣，是以遇到一些困難也别氣餒，當你準備好就可以随時上手練習。
2.1 TensorFlow上的簡單練習
Kadenze學院出品，總共5個課時。
https://www.kadenze.com/courses/creative-applications-of-deep-learning-with-tensorflow-iv/info
2.2 Tensorflow菜單
這部分内容來自Nick McClure的電子書《TensorFlow Machine Learning Cookbook》。
https://github.com/nfmcclure/tensorflow_cookbook
2.3 Tensorflow-101教程部分
這是一個用Python和Jupyter Notebook編寫的教程。試圖為TensorFlow初學者提供盡可能的詳細解釋，希望對大家有用~
https://github.com/sjchoi86/Tensorflow-101
2.4 快速風格遷移網絡
https://github.com/lengstrom/fast-style-transfer
這個教程展示了如何使用神經網絡，将名畫的風格遷移到任何一張照片上。
2.5 圖像分割
這是一個使用TensorFlow實作的完全卷積網絡。作者Marvin Teichmann還提供了如何把這部分代碼內建到你的語義分割管道中的示例。
https://github.com/MarvinTeichmann/tensorflow-fcn
2.6 使用SSD實作物體識别
物體識别最快（也是最簡單）的模型之一
https://github.com/balancap/SSD-Tensorflow
2.7 面向物體識别和語義分割的快速掩膜RCNN
https://github.com/CharlesShang/FastMaskRCNN
2.8 強化學習
https://github.com/dennybritz/reinforcement-learning
非常有用，特别是當你想搭建一個機器人或者下一個DotA AI時。
2.9 Google大腦團隊的Magenta項目
https://github.com/tensorflow/magenta/tree/master/magenta/models
這個項目旨在通過神經網絡創造出色的藝術和音樂作品。
2.10 深度雙邊學習實時圖像增強
https://groups.csail.mit.edu/graphics/hdrnet/
一個很棒的圖像增強算法，來自Google。
2.11 自動駕駛汽車項目
https://github.com/udacity/self-driving-car
想造一輛自動駕駛汽車麼？這是一個很好的入門。
首先，你得明白機器學習不是100%精确的東西，大多數情況下隻是一個很好的猜測，并且需要大量的調整疊代。大多數情況下，想出一個獨特的點子是非常困難的，因為你的時間和資源将耗費在訓練模型上。
是以，不要自己想解決方案。去搜尋論文、項目，以及求助他人，積攢的經驗越多，你會幹的越好。給幾個可能有用的網站：
http://www.gitxiv.com
http://www.arxiv-sanity.com
https://arxiv.org
https://stackoverflow.com
很遺憾，并不是所有的科技人員都想把他們的成果公之于衆，但他們都需要發表論文來獲得“名“或者”利”。是以一些人可能隻釋出部分素材，或者給出錯誤的公式。是以找到代碼永遠比找到論文更有用。
參考上面推薦過的幾個網站，尤其是gitxiv.com，不僅僅能找到論文，而且還能找到代碼，是以特别實用。
雲更适用于有大量計算需求的情況。對于學習和測試來說，使用桌上型電腦/筆記本電腦要便宜得多，當然前提是配有支援CUDA的顯示卡。比方，我自己就用一個筆記本訓練模型，顯示卡是帶有690CUDA核心的GTX GeForce 960M。
當然，如果有免費的雲資源可用，當然要用。
訓練的主要問題是時間。你不可能一直坐在那看着訓練資料。是以，我建議你使用Grid Search。基本上，隻需要建立一組超參數和模型架構，然後一個接一個的運作，并儲存結果。這樣就能晚上訓練，白天比較結果，找到最有希望的那個。
詳情可以參考這個網址：
http://scikit-learn.org/stable/modules/grid_search.html
— 完 —
本文作者：問耕
原文釋出時間：2017-08-21