業餘自學 Machine Learning 經驗分享

  這幾年人工智慧 (AI)、機器學習 (Machine Learning) 是非常紅的話題,這些對我來說一直就像是個黑盒子,在學校沒學過,新聞和網路上的資訊又很複雜,很容易被誤導,在今年年初的時候下定決心要來研究一下。但從學校畢業以後,要學這些新技術只能靠自己了,以下分享一些學習經驗給有興趣的業餘人士參考,揭露 Machine Learning 的神秘面紗。

 

學習教材

  學校的課程還是比較扎實的,我推薦台大李宏毅的機器學習課程,有線上影片及教材,照他的課綱看影片就可以了,雖然會花不少時間但務實很多。作業部分我沒寫報告(也沒人可以幫你改),但程式一定要自己實作過,會很有感覺。

  課程中間老師會開始讓大家使用 Machine Learning 的 Framework,主要是 Keras 搭配 tensorflow backend,我也很推薦使用這套,不到 100 行的 python 就可以訓練出一個很不錯的模型,Keras 中文文檔有一些基本的說明,keras 的 github 上也有範例模型可以給各位參考,有基礎 python 底子的人要學會應該是很快的。

 ▲ 圖片來源: Keras blog

 

重點提示

  李宏毅課程裡面有幾堂課是比較偏向 tips 的,例如 Where does the error come from? 和 Tips for deep learning 等,包含什麼是 overfitting、underfitting 以及如何處理的一些技巧,是蠻重要的基礎概念,寫練習題時可以回來消化一下,對實作過程會有所幫助。

 ▲ 學習曲線,圖片來源為李宏毅課程教材

 

環境準備

  工程科目的學習光看書或讀理論通常都是不夠的,一定要自己寫過練習題才會有感覺。環境的話,建議還是有一台安裝好 Linux 作業系統的電腦是比較方便一些,不過也有朋友是在 Windows 上面練習,所以我想應該都可以。

  另外建議電腦硬體要有 tensorflow 支援的 GPU,現在主流的 NVIDIA 顯卡應該都可以 (主要是要有支援 CUDA),以我目前只有 CPU 訓練的情況來看,訓練一個不算大的神經網路就耗費數小時,如果沒訓練好又要修改模型重新訓練,真的太花時間了,有好的 GPU 可以改善非常得多。而 AMD 顯卡在撰寫這篇文章的時間點來看,還是比較難上手,主因是 tensorflow 對 opencl 的支持程度還沒有很高,至少我花了一段時間還沒有真正用他加速成功,難怪 AMD 都比較喜歡出挖礦卡 …

 

 ▲ 老黃你是對的,是我信仰不夠沒有買你家顯卡 Orz (圖片來源)

Lin Chieh ( Jayce )

Lin Chieh ( Jayce )
設定目標、執行、回顧,人生就是在一次又一次的短跑衝刺中不斷成長前進!一個機械系的資訊人心得分享。

Visual Studio Code Remote - WSL 安裝教學

Visual Studio Code Remote - WSL可以讓 VS Code Server 實際執行在 WSL 裡面,只留 UI 介面在 Windows。這對某些插件非常有用,因為有些東西跑在 Linux 環境是比較容易的。另外 Visual Studio Code Remote 系列還包含 Remote - SSH 模式,這東西就更猛了,如果你的 Build Machine 是遠端的 Linux Server ,他可以直接透過 SSH 跑在 Linux Server 端,像是檔案搜尋等動作,直接執行在遠端 Linux 就會比透過 Samba 或 NFS 快上很多。 Continue reading