深度學習的開始

2020.8.29後記: 這篇是我做完專題後所補寫的,所以還是有點出入

最近changken我開始在碰機器學習(ML)、深度學習(DL)這一塊,主要還是因為專題可能會用到ai人工智慧,所以我也只能硬著頭皮來學DL,說實在的,changken我自己是「蠻討厭」數學的,至少在高中之前拉,對於數學就是老師在台上講的很起勁,自己在台下也睡得很爽,呵呵,我還記得有一次我高一的某一次學期分數吧!竟然只有67分,那時候我還謝天謝地,感謝這一科pass了,不過到了後來,我就蒸蒸日上了。

數學和英文是大家惡夢,想想之前國高中的時期,大家爭相去補這兩科,但不好一意思,那個是考試導向的數學,所以學著學著自然就覺得很無聊且沒什麼興趣,而今天要帶給大家的機器、深度學習,不好意思!用數學用得很兇,有時候也要去閱讀國外的資料,所以maybe也會用得到英文,so 讓我們來看一看吧!XD

這一篇文章我不太想要直接去介紹ml、dl的細節,那個還是留到之後再寫吧!我們先來聊一聊學ml、dl究竟需要甚麼東西呢?

第一個就是線性代數,因為ml、dl會牽涉到很多矩陣、向量、張量的加減乘除,舉量像是捲積神經網路(CNN)的捲積層,所以很吃線性代數,如果你不用矩陣和向量來寫ml程式的話,那你就要用for、while迴圈去跑,不過因為很麻煩又浪費時間,所以請去複習矩陣、向量吧XD

統計學,我可以舉一個ml的敲門磚─線性回歸來說,你可以發現它是統計學課本的最後一兩章,又高中數學也有教回歸直線方程式,生產與作業管理的預測產能也有,所以統計可說是ml的一個基石,再舉一個例子,像是統計的貝式定理也是ml的一個model,它叫做樸素貝葉斯(Naive Bayes),只不過統計上最主要是用來作分類用的。

總之現在機器學習、深度學習及強化學習實在是太火紅了,尤其是後兩者,你所看到的alpha go是深度強化學習所訓練的,那些炫泡的AI繪圖也都是它的展現,但與深度學習一樣都是非常耗GPU及TPU資源的,所以如果你有心要走這一條路,請務必記得! 摳摳(錢)要多一點,所耗費的時間就會少很多,記得如果你的論文要找哪位老師,還是工作要去哪間公司的要放亮你的眼光! 找一位真正有在該領域的大神吧! 哈哈!

對了! 順便我也推薦一下我所看的資料、課程及書籍好了!

線上課程

我所參考的資料

書籍

結論

  1. 你如果想要學習ML、DL的話,請務必把統計學、線性代數、微積分等課程都修過一遍,會比較好唷!
  2. 一般在做模型搭建及訓練都不會自己手刻一個模型的程式碼,大部分都會運用現成的框架,舉例來說: tensorflow、keras、pytorch、yolo等,當然,基本的知識你還是要懂!
  3. 如果沒摳摳的話,用現成的colab來訓練吧! 如果有的話,直接上nvidia geforce rtx 2080ti會比較好唷! 最低也要rtx 2070唷!
  4. 訓練模型時容易發生overfitting,所以要有耐心去嘗試!
  5. 這一條路很吃學歷,如果日後要從事相關行業請務必擁有一張頂大的學位!(這也是我棄坑的原因之一)
  6. 加油再加油! 如果有任何問題可以在文章下方留言問我