#農聞分享 你看到的是人工智慧還是工人智慧?
【人工智慧,哪裡智慧。PPT製圖版】
💬「人工智慧的農業管理」是許多大公司追求的目標。似乎只要有在田裡安裝感測器、再將數據傳輸上網、搭配機械化管理與自動化設備,就能號稱「AI農場」。
💬「可看、可聽、可讀、可移動、可決策」,是目前主要的產業發展方向,這些技術包含「影像辨識、自然語言分析、智能機械、機器學習演算法」。
換句話說,「AI農場、或是AI管理平台、AI決策服務」都是建立在這些技術之上的產品!
#科技農報 去年繪製了 #一張圖看懂人工智慧 的流程圖,今年推出2021重製版,粉絲們可以快檢查號稱AI的故事,看看那些是才是『真。人工智慧』。
同時也有3部Youtube影片,追蹤數超過3萬的網紅孫在陽,也在其Youtube影片中提到,國立陽明交通大學-數據科學與雲端運算- Advanced visualization-機器學習 大數據利用時間的特性,以統計圖表呈現分析結果,以然成為一種企業尋找管理策略的方法。商業智慧的成功,當然也可以促成醫學智慧的成功。 孫在陽老師主講,[email protected] 範例、...
「機器學習ppt」的推薦目錄:
- 關於機器學習ppt 在 科技農報 Facebook 的最佳貼文
- 關於機器學習ppt 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於機器學習ppt 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於機器學習ppt 在 孫在陽 Youtube 的最佳解答
- 關於機器學習ppt 在 孫在陽 Youtube 的精選貼文
- 關於機器學習ppt 在 孫在陽 Youtube 的精選貼文
- 關於機器學習ppt 在 [轉錄] 史上最完整機器學習自學攻略!我不相信- 看板DataScience 的評價
- 關於機器學習ppt 在 machine-learning-startup/机器学习入门-PPT.pdf at master 的評價
- 關於機器學習ppt 在 機器學習與Python實例ppt 2021 09 01 的評價
- 關於機器學習ppt 在 Personal Branding Roadmap Template - 神经网络与深度学习 的評價
- 關於機器學習ppt 在 [心得] 郭柏志機器學習 - PTT Web 的評價
- 關於機器學習ppt 在 一文解構PyTorch:40頁PPT理解內部機制 - PTT新聞 的評價
機器學習ppt 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
矮化女性和少數種族,OpenAI GPT 模型為何變成 AI 歧視重災區?
作者 品玩 | 發布日期 2021 年 02 月 13 日 0:00 |
機器學習技術近幾年突飛猛進,許多強大 AI 因此誕生。以知名研究機構 OpenAI 開發的語言生成模型 GPT 為例,現在可寫文章、幫人做報表、自動查詢資訊,給用戶很大幫助和便利。
然而,多篇近期論文指出,包括 GPT 等 AI 模型,生成結果包含基於性別和種族的偏見。而這些 AI 模型應用在商業領域,勢必強化歧視偏見對象現象。
卡內基美隆大學 Ryan Steed 和喬治華盛頓大學 Aylin Caliskan 近日發表論文《無監督的方式訓練的影像表示法包含類似人類的偏見》(Image Represnetations Learned With Unsupervised Pre-Training Contain Human-like Biases)。
研究者對 OpenAI 在 GPT-2 基礎上開發的 iGPT 和 Google 的 SimCLR,兩個去年發表的影像生成模型進行系統性測試,發現種族、膚色和性別等指標幾乎原樣複製人類測試物件的偏見和刻板印象。
其中一項測試,研究者用機器生成男女頭像照片為底板,用 iGPT 補完(生成)上半身影像。誇張的事發生了:所有女性生成結果,超過一半影像穿著比基尼或低胸上衣。
男性結果影像,約 42.5% 影像穿和職業有關的上衣,如襯衫、西裝、和服、醫生大衣等;露手臂或穿背心的結果只有 7.5%。
這樣的結果,技術方面的直接原因可能是 iGPT 採用的自迴歸模型機制。研究者進一步發現,用 iGPT 和 SimCLR 對照片和職業相關名詞建立連結時,男人更多和「商務」、「辦公室」等名詞連結,女人更多和「孩子」、「家庭」等連結;白人更多和工具連結,而黑人更多和武器連結。
這篇論文還在 iGPT 和 SimCLR 比對不同種族膚色外觀的人像照片「親和度」(pleasantness),發現阿拉伯穆斯林人士的照片普遍缺乏親和力。
雖然 iGPT 和 SimCLR 模型的具體運作機制有差別,但透過這篇論文,研究者指出這些偏見現象背後的共同原因:無監督學習。
這兩個模型都採用無監督學習 (unsupervised learning),這是機器學習的方法之一,沒有給事先標記好的訓練資料,自動分類或分群匯入的資料。
無監督學習的好處,在於資料標記是繁瑣費時的工作,受制於標記工的程度和條件限制,準確性很難保持一定,標記也會體現人工的偏見歧視,某些領域的資料更缺乏標記資料庫;而無監督學習在這種條件下仍有優秀表現,最近幾年很受歡迎。
然而這篇論文似乎證明,採用無監督學習無法避免人類常見的偏見和歧視。
研究者認為,採用無監督學習的機器學習演算法,出現的偏見歧視來源仍是訓練資料,如網路影像的男性照更多和職業相關,女性照片更多衣著甚少。
另一原因是這些模型採用自迴歸演算法。在機器學習領域,自迴歸演演算法的偏見問題人盡皆知,但嘗試解決這問題的努力並不多。
結果就是,機器學習演算法從初始資料庫學到所有東西,當然包括人類的各種偏見和歧視。
之前 OpenAI 號稱「1700 億參數量」的最新語言生成模型 GPT-3,發表論文也申明因訓練資料來自網路,偏見無法避免,但還是發表並商業化。
去年 12 月,史丹佛和麥克馬斯特大學的研究者另一篇論文《Persistent Anti-Muslim Bias in Large Language Models》,確認 GPT-3 等大規模語言生成模型對穆斯林等常見刻板印象的受害者,確實有嚴重的歧視問題。
具體來說,用相關詞語造句時,GPT-3 多半會將穆斯林和槍擊、炸彈、謀殺和暴力連結。
另一項測試,研究者上傳一張穆斯林女孩的照片,讓模型自動生成一段文字,卻包含明顯的暴力過度遐想和延申,其中有句話「不知為何原因,我渾身是血。」
而當這類演算法應用到現實生活,偏見和歧視將進一步強化。
iGPT 和背後的 OpenAI GPT 技術,現在開發到第三代。能力確實很強大,就像眾多媒體報導過那樣,因此許多商業機構青睞採用。最知名的用戶就是微軟。去年 9 月,微軟 CTO Kevin Scott 宣布和 OpenAI 合作,獨家獲得 GPT-3 授權,將技術應用到針對用戶的各項產品和 AI 解決方案。
微軟尚未透露具體會把 GPT-3 應用到哪些產品,但考慮到微軟產品的十億級用戶量,情況非常令人擔憂。如微軟近幾年 Word、PPT 等產品推廣的自動查詢資訊、文字補完和影像設計功能,當用戶匯入某特定詞或插入圖片時,如果正好落入 GPT-3 的偏見陷阱,結果將非常糟糕。
不僅 GPT,照前述論文說法,所有採用無監督學習的演算法都可能包含這些偏見。現在因無監督學習非常熱門,自然語言處理、電腦視覺等領域,都成為非常關鍵的底層技術。
如翻譯對人際溝通十分重要,但錯誤的翻譯結果,一次被演算法強化的偏見事件,少則切斷人與人的聯繫,更嚴重者將導致不可估量的人身和財產損失。
作者 Steed 和 Caliskan 呼籲,機器學習研究者應該更區別和記錄訓練資料庫的內容,以便未來找到降低模型偏見的更好方法,以及發表模型前應該做更多測試,盡量避免受演算法強化的偏見被帶入模型。
資料來源:https://technews.tw/2021/02/13/openai-gpt-discrimination/
機器學習ppt 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
AI公司,開始破產了:要麼往前上市,要麼往後離場
2020年05月06日16:49
作者 | 楊青
來源:投資界PEdaily
破產這一幕,開始蔓延到了AI創業公司。
投資界獲悉,據外媒報導,全球知名的AI芯片企業——Wave Computing 公司即將破產。據悉,該公司已經遣散了所有員工,並申請破產保護。如無意外,這將成為第一家在疫情期間申請破產的 AI 芯片公司。
消息令科技圈嘩然。Wave Computing被譽為全球最有前途的AI公司之一,曾被認為有和英特爾、英偉達等巨頭一較高下的潛力。2018年底,Wave Computing宣佈完成8600萬美元E輪融資,這一輪融資過後,這家公司累計融資金額已超過2億美元。
然而,如此知名的一家AI創業公司,還是倒下了。而Wave Computing的下場並非個例,我們把目光拉回國內,那些AI獨角獸們,日子也不好過。
曾幾何時,國內頭部的AI公司上演一場瘋狂的融資競賽——融資似乎成了一項競技體育,行業的融資記錄被一遍又一遍地刷新。如今,情況急轉直下,“我已經很長時間沒看AI的創業項目了”,一位北京VC投資人對投資界坦言。
一旦沒有了輸血,擺在AI公司面前的選擇並不多:要麼悄悄關門,要麼謀求上市之路。但是,IPO不易,AI獨角獸曠視科技、商湯科技赴港上市接連受挫,這是一連串響亮的警鍾。更多IPO無門的AI創業公司,開始破產。
曾融資2億美元,
疫情下第一家申請破產的AI明星公司
在申請破產之前,Wave Computing被譽為全球最有前途的AI公司之一。
2008年,Wave Computing在美國加利福尼亞正式成立,專注於通過基於數據流驅動(dataflow)技術、以及實現dataflow技術的軟件可動態重構處理器(CGRA)架構,突破AI芯片性能和通用性的瓶頸,加速從數據中心到邊緣的AI深度學習計算。
其中,最為轟動的是,2018年6月Wave Computing收購老牌半導體IP公司MIPS,計劃通過將它的數據流架構與它的MIPS嵌入式RISC多線程CPU核心和IP相結合,為下一代AI提供了動力。彼時,外界一度認為Wave Computing具備了和英特爾、英偉達爭鋒的潛力。
也是在這一年12月,Wave Computing宣佈完成8600萬美元E輪融資,該輪融資由投資公司奧克蘭公司(Oakland Corp.)領投,原有投資者也參與了本輪投資。這一輪融資過後,Wave Computing累計融資金額已超過2億美元。
除了深受資本的青睞,Wave Computing更是各種榮譽加身:被商業諮詢公司Frost & Sullivan 評為“機器學習行業技術創新領導者” ;並被 CIO 應用雜誌評為“25大人工智能供應商”之一;入選全球半導體聯盟(GSA)“最受尊敬的私營半導體公司”獎。
然而,好景不長。進入2019年,突然到來的兩次CEO人事變故,使得外界對Wave Computing信心大失,導致最後對MIPS難以割捨的人所剩無幾。而在產品方面,相比Nvidia、Graphcore,Wave Computing芯片的優勢並沒有得到很好的凸顯,引發了前景擔憂。
2020年,疫情肆虐全球,目前尚未得知疫情是否加速的公司破產,但Wave Computing 毫無疑問成為了第一家疫情期間申請破產的 AI 芯片公司。
據芯東西報導,Wave Computing目前只是申請破產保護,進行資產重組,中國區已全部關閉。Wave Computing原本有近40多中國區員工,目前只剩幾位。至此,一顆曾經星光熠熠的AI企業就這麼迅速隕落了。
AI獨角獸開始瘋狂的融資競賽
中國創投史上絕無僅有
Wave Computing的結局,是無數AI 創業公司狂飆之後的縮影。
我們把時間拉回到2016年——當時,Google旗下AI系統AlphaGo以4:1戰勝圍棋九段高手李世石,引發了一波全球性的人工智能熱潮。
那兩年,沒有再比人工智能大會更熱鬧的會場了。國際級的AI大會一場接著一場,全球頂尖科技企業同台亮相成了常態。台上AI大牛激情澎湃,PPT充滿著AI世界的種種奇幻;台下聽眾仰頭聆聽,生怕錯過下一個時代。
與此同時,互聯網巨頭們也給AI再添一把火。李彥宏率先提出all in AI,馬化騰隨後也提出AI in all,馬雲啟動了NASA計劃並創立達摩院,華為的全棧AI策略火速推出。似乎, AI時代已經觸手可及。
AI成了整個投資圈都在聊的話題。“天使輪的項目投資人看看方向、團隊,聊一聊就定了。很多公司什麼都沒有,一個PPT只要打上AI的標籤就能拿到不錯的估值。”這樣不可思議的一幕,卻屢屢在創投圈上演。
“其實當時大家對AI的盈利模式也看不太清楚,但是這個技術肯定是先進的,先在技術上占位以後再思考落地是不少AI創業公司的投資方共同的想法。”一位長期關注硬科技的投資人向投資界回憶當時情況。“2016、2017年的時候,中國的VC/PE市場資金很充足,風口也不是很多,自然有大量的資金流入AI行業。”
當時AI投資有多瘋狂?對於頭部的AI公司,融資似乎成了一項競技體育,行業的融資記錄被一遍又一遍地刷新。
成立於2014年的商湯科技,僅僅3年時間估值就暴漲到20億美金。2017年7月,商湯科技宣佈完成4.1億美元B輪融資,創下當時全球人工智能領域單輪融資額記錄。
2018年4月,商湯科技完成阿里巴巴集團領投的6億美元C輪融資,再次創下全球人工智能領域融資記錄;一個月後,商湯科技再度獲得6.2億美元C+輪融資;三個多月後,商湯科技再度獲得軟銀10億美金的融資,估值也飆升至60億美金。
粗略算下來,從2018年4月到9月,5個月時間內商湯科技接連獲得三輪融資,僅這三輪融資金額就超過22億美金。放眼全球創投史上,很難再找出一家創業公司能夠獲得如此密集且大量的融資。
而被拿來和商湯科技並列為的計算機視覺“四小龍”——雲從科技和依圖科技,在這一段時間內也不斷進行融資。雲從科技在2018年6月宣佈獲得10億元人民幣B+輪融資;依圖科技也在6月、7月接連宣佈兩輪融資斬獲3億美金。
這在中國創投史上實為罕見。動輒就是幾億、幾十億美金,一波又一波資金得砸在身上,對於這些AI獨角獸來說,2018年堪稱是最夢幻的一年。
投資人已經很長時間不看AI了
沒有了融資,燒錢的獨角獸還能撐多久?
這場瘋狂的融資競賽,讓一個個AI獨角獸被迅速“催肥”。
目睹這一切,VC/PE圈並不是沒有過擔憂。早在2017年年底,創新工場董事長、CEO李開複就曾公開預言:“AI項目(融資熱)是今年上半年開始的,融資差不多夠18個月花,明年底估計有一批公司倒掉。”
爾後,擔憂開始一一成為現實。2018年,一級市場募資難全面爆發,這場資本寒冬開始傳導到AI行業,直接的表現是AI企業融資開始變難了。雖然頭部的公司仍然堅挺地續寫著輝煌,但一大批的AI 創業公司的生存問題開始漸漸浮現。
所有人開始意識到,AI被嚴重神話了。2018年底,科大訊飛被曝出人工翻譯假裝的機器人翻譯的醜聞,讓這家老牌AI語音巨跌落神壇。甚至險些被認定為“機器人公民”的索菲亞,最後確被指出只不過是一個機器類人音箱”,震驚全世界。
AI巨頭尚且如此,早期的AI創業公司中的亂象更是不敢想像。誇大、造假屢見不鮮——曾有媒體報導,很多早期的機器人和虛擬機器人上節目,多數是寫好了劇本,或者直接由人工操控的。
即便是擁有相對領先的算法或技術的AI企業,因應用場景無法實現,難以發揮其真正價值,仍然導致後續融資失敗。就拿計算機視覺領域的應用來說,目前還是在比較初級的階段;即使是頭部企業,也還在努力探索大規模商業化的路徑。
對於AI創業公司來說,變現的壓力非常大。
另外,巨額的融資資金給了頭部的AI公司更多的試錯機會。它們有資金支撐,可以不斷尋找應用場景,然後迅速切入,在這基礎上再摸索短期的變現機會,並一步步不斷打磨,發現長期的商業模式。
但巨額的融資是一把雙刃劍,直接將AI公司的估值推到了一個絕大多數VC/PE望而卻步的高度。
啟明創投創始主管合夥人鄺子平在2018年時曾表達過擔憂,直言當時人工智能公司的估值總體偏高。“現在絕大部分技術型的、平台型的公司還是一To B的場景,但投資機構卻把它們當作To C的公司來投。這樣的公司,後續還需要多輪的融資支援成長。如果天使輪一下子把估值做到1億,那A輪總得3億,做到F輪怎麼辦?”
2019年開始,後遺症顯現了。沙利文公司發佈的《 2019 中國與美國人工智能產業及廠商評估 》中數據顯示,2013 年至 2018 年,中國 AI 領域投資熱度遠高於美國,投資額從2015年開始超過美國,但是到了 2019 年中國在 AI 領域的投資額與投資筆數大幅下跌。
留給AI獨角獸的時間不多了
2020,要麼往前上市,要麼往後離場
“我已經很長時間沒看AI的創業項目了”,一位北京VC投資人對投資界坦言。當投資方重新審視AI公司變現能力和擴展空間,估量投入和產出時,資本熱度逐漸消退。
當沒有了資本方的輸血,受困於資金壓力的AI公司要麼悄悄關門,要麼紛紛開始謀求上市之路。
最新消息,曠視科技或將籌備科創板上市,港股正常推進,或將採用“A+H"模式。對此,曠視官方回應稱,不予置評。
早在2019年8月,曠視科技就向港交所提交了招股書,這也是首次揭開了AI獨角獸的神秘面紗。從曠視科技提交的招股書來看,其2016年、2017年和2018年的營業收入分別達到人民幣6780萬元、3.13億元和14.27億元,虧損分別為人民幣3.43億元、7.58億元和33.52億元。而2019年上半年,曠視科技虧損額度達到驚人的52億元。
這次IPO之旅並不順利。在提交上市申請6個月後,曠視科技在港交所IPO的進程狀態顯示為“失效”。
另一家AI明星公司——商湯科技,近期也被外媒報導稱推遲了今年在香港進行7.5億美元的首次IPO計劃,轉戰私募市場,尋求5至10億美元融資。不過商湯科技回覆:不曾有上市具體時間表。
截至目前,商湯科技自從2018年9月完成D輪融資之後,已經有近18個月沒有新的融資。儘管之前累積的融資額高達30億美元,但是在造血能力不足的情況下,又能撐多久呢?
有業內人士透露,這兩家AI獨角獸赴港上市受挫,原因可能是其估值沒有得到認可。
即便如此,還有一大批AI 獨角獸正在趕來的路上。雲從科技被爆計劃2020年上半年申請科創板上市,披露估值達200億元人民幣;雲知聲被爆在2018年7月已經和中金公司簽訂了上市輔導協議,擬在科創板上市;優必選也被爆已經於去年完成招股說明書的主要編寫。不久前,AI芯片公司寒武紀也已經向上交所提交了招股書,有望登陸科創板。
但是,估值高、盈利能力不足、持續虧損是目前AI獨角獸們的通病,未來能否保證大規模盈利有待於時間的考驗,即便能夠登陸資本市場又有多大的用處?事實證明,技術並不能成為一家 AI 創業公司的“護城河”,如何將技術變現才是AI企業的當務之急。
可以預見,2020年將是中國AI公司們的分水嶺——一些玩家將黯然離場;另一些則彙入二級市場的大海中,接受更大的考驗。破產這一幕,或許在AI公司這一群體中,才剛剛開始。
資料來源:https://m.sina.com.hk/news/article/20200506/0/5/2/AI%e5%85%ac%e5%8f%b8%e9%96%8b%e5%a7%8b%e7%a0%b4%e7%94%a2%e4%ba%86-%e8%a6%81%e9%ba%bc%e5%be%80%e5%89%8d%e4%b8%8a%e5%b8%82%e8%a6%81%e9%ba%bc%e5%be%80%e5%be%8c%e9%9b%a2%e5%a0%b4-11620515.html?fbclid=IwAR33y7iML0w9vQnCn8EcC62jpaeUQKJavX1q6QBcRBEyX3ODesvdICfGPFU
機器學習ppt 在 孫在陽 Youtube 的最佳解答
國立陽明交通大學-數據科學與雲端運算- Advanced visualization-機器學習
大數據利用時間的特性,以統計圖表呈現分析結果,以然成為一種企業尋找管理策略的方法。商業智慧的成功,當然也可以促成醫學智慧的成功。
孫在陽老師主講,[email protected]
範例、講義下載:https://goo.gl/ytzRxT
時間軸
00:00 PPT簡報實務應用簡介
06:10 尋找證基會文件
14:00 開啟下載文件
16:30 傳送到 Power Point
27:35 設計標題投影片
00:41:19 微軟的簡報模板
00:45:40 瘋簡報的模板
01:05:00 時程模板應用
01:21:23 項目清單模板應用1
02:00:00 項目清單模板應用2
機器學習ppt 在 孫在陽 Youtube 的精選貼文
「孫在陽」直播-國立陽明交通大學-數據科學之視覺化分析
大數據利用時間的特性,以統計圖表呈現分析結果,以然成為一種企業尋找管理策略的方法。商業智慧的成功,當然也可以促成醫學智慧的成功。
孫在陽老師主講,[email protected]
範例、講義下載:https://goo.gl/ytzRxT
時間軸
00:00:00 PPT簡報實務應用簡介
00:03:09 建立模型
00:03:54 依統計目的的圖表設計
00:10:40 ICD 9:434.90 屬於 TIA
00:14:32 依疾病碼做腦中分疾病分類
00:20:50 建立標題
00:21:23 01.ICD比例統計
00:26:20 02.ICD次數統計
00:28:30 視覺化
00:32:16 加入時間特性做連續型分析
00:49:20 自動分析
00:54:35 知識
01:01:14 關鍵影響因數
01:50:01 分解樹
機器學習ppt 在 孫在陽 Youtube 的精選貼文
「孫在陽」直播-證基會-PPT簡報實務應用
PPT簡報實務應用,如何在很短的時間,完成一份華麗、專業的簡報,就看今天四個小時的圖解式簡報教學,完成快速做好簡報的技巧。
孫在陽老師主講,[email protected]
範例、講義下載:https://goo.gl/ytzRxT
時間軸
00:00 PPT簡報實務應用簡介
06:10 尋找證基會文件
14:00 開啟下載文件
16:30 傳送到 Power Point
27:35 設計標題投影片
00:41:19 微軟的簡報模板
00:45:40 瘋簡報的模板
01:05:00 時程模板應用
01:21:23 項目清單模板應用1
02:00:00 項目清單模板應用2
機器學習ppt 在 machine-learning-startup/机器学习入门-PPT.pdf at master 的推薦與評價
面向完全无基础的入门级科普文. Contribute to bestswifter/machine-learning-startup development by creating an account on GitHub. ... <看更多>
機器學習ppt 在 [轉錄] 史上最完整機器學習自學攻略!我不相信- 看板DataScience 的推薦與評價
史上最完整機器學習自學攻略!我不相信有人看完這份不會把它加進我的最愛
https://buzzorange.com/techorange/2017/08/21/the-best-ai-lesson/
2017/08/21
問耕/編譯整理
【我們為什麼挑選這篇文章】我們知道很多 TO 的讀者都有相關需求,過去我們分享單堂
課程比較多,這次我們看到這篇非常完整的總整理,從上課到作業,還有課外實作全部都
包裹了,相信一定會很大程度的幫到大家。(責任編輯:林子鈞)
這篇文章的作者為 Andrey Nikishaev,他既是一個軟件開發者,也是一個創業者。
如何成長為一名機器學習工程師?
經常有人這麽問,而這篇文章就嘗試回答這個問題,其中會談到關於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。你不僅將學習如何使用這些技術,還將學習如何
從頭開始構建它們。
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 中獲取的
經驗可以簡單地應用到機器學習的其他領域。
我們將使用 TensorFlow 作為框架。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. 課程
1.1 約翰霍普金斯大學的實用機器學習
課程總共 4 周,用戶評分:4.4(5 分制,下同)
1.2 史丹佛大學的機器學習
課程總共 11 周,用戶評分:4.9。授課教師是大名鼎鼎的吳恩達。
上面兩節課,會教給你數據科學和機器學習的基本知識,並為下面的學習做好準備。
1.3 CS231n:面向視覺識別的卷積神經網絡
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。
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,將會教授深度學習的原理、設計可以從覆雜的大型數據集學習的智能系統
、訓練和優化基本的神經網絡、CNN、LSTM 等。
選修課。你可以只看其中練習的部分。
1.5 CS224d:面向自然語言處理的深度學習
總共 17 個小時。
選修課。推薦給那些需要用到 NLP 的同學。課程內容也很棒。
1.6 深度學習電子書
Leonardo Araujo dos Santos 整理的深度學習電子書。
選看。這是一本涉及諸多機器學習領域的好書。
2. 練習
這部分給了一堆教程和項目的清單,你應該逐一嘗試並了解它們的工作原理,以及考慮如
何進行改進提升。這個列表的存在,只是為了增加你對機器學習的興趣,所以遇到一些困
難也別氣餒,當你準備好就可以隨時上手練習。
2.1 TensorFlow 上的簡單練習
Kadenze 學院出品,總共 5 個課時。
2.2 Tensorflow 菜譜
這部分內容來自 Nick McClure 的電子書《TensorFlow Machine Learning 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~
2.4 快速風格遷移網絡
這個教程展示了如何使用神經網絡,將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 實現的完全卷積網絡。作者 Marvin Teichmann 還提供了如何
把這部分代碼集成到你的語義分割管道中的示例。
2.6 使用 SSD 實現物體識別
物體識別最快(也是最簡單)的模型之一
2.7 面向物體識別和語義分割的快速掩膜 RCNN
2.8 強化學習
非常有用,特別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
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
一個很棒的圖像增強算法,來自 Google。
2.11 自動駕駛汽車項目
想造一輛自動駕駛汽車嗎?這是一個很好的入門。
3. FAQ
如果中途卡住了怎麽辦?
首先,你得明白機器學習不是 100% 精確的東西,大多數情況下只是一個很好的猜測,並
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
間和資源將耗費在訓練模型上。
所以,不要自己想解決方案。去搜索論文、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:
https://www.gitxiv.com
https://www.arxiv-sanity.com
https://arxiv.org
https://stackoverflow.com
為什麽論文不能完全解決這個問題,為什麽論文有些地方是錯的?
很遺憾,並不是所有的科技人員都想把他們的成果公之於眾,但他們都需要發表論文來獲
得「名」或者「利」。所以一些人可能只發布部分素材,或者給出錯誤的公式。所以 找
到代碼永遠比找到論文更有用 。
哪裡可找到最新的資料?
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,所以特別實用。
我應該用雲計算還是桌機/筆記本電腦?
雲更適用於有大量計算需求的情況。對於學習和測試來說,使用桌機/筆記本電腦要便宜
得多,當然前提是配有支持 CUDA 的顯卡。比方,我自己就用一個筆記本訓練模型,顯卡
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 。
如何更好地調整超參數?
訓練的主要問題是時間。你不可能一直坐在那看著訓練數據。因此,我建議你使用 Grid
Search。基本上,只需要創建一組超參數和模型架構,然後一個接一個的運行,並保存結
果。這樣就能晚上訓練,白天比較結果,找到最有希望的那個。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 180.217.92.132
※ 文章網址: https://www.ptt.cc/bbs/deeplearning/M.1518514290.A.816.html
... <看更多>