不求甚解工程師的人工智慧學習捷徑地圖

[2017/9/15 更新] 寒假期間開始學機器學習/深度學習 （machine learning/deep learning）， 繞了好大一圈之後， 才發現其實可以不必那麼辛苦。 筆記一下搜尋關鍵詞來幫助那些跟我一樣不求甚解、 只想快快動手寫簡單小程式的工程師。

先講最快的捷徑。 如圖， 重點是上方的 keras/tflearn/caffe 等等高階工具。 如果說 tensorflow 或 theano 是車子的引擎， 那麼這些上層工具就是駕駛座的排檔桿、煞車、油門、面板。 再更偷懶取巧一些， 連建立模型跟訓練的工都省下來， 直接撿現成已訓練好的頭腦權重矩陣來用， 那就從 keras applications 或是 caffe model zoo開始吧。 想學開車不需要從組裝引擎開始學起啊！ 這也是我目前的程度： climage.py 可以接受一串圖片檔名當命令列參數， 它會對每張圖片猜幾個判別標籤。

勤勞的工程師自己下 pip 指令安裝這些高階工具及相關套件； 偷懶的工程師 學會一點基本 docker 指令， 從 keras 官網的 docker file 或是 floydhub/dl-docker 直接進駐已架好的工作環境。 （ 我的 Dockerfile 及 上傳的 image 修改自官網， 加了一些東西， 並允許 sudo bash， 比較方便、 比較不安全。 密碼一個空格。）

這些高階工具的共通處， 就是要採用 python 來使用它們； 不過我的 python 程度很抱歉， 連寫迴圈都要查手冊。 沒關係， 只要已熟悉另一個語言， 而且很會搜尋， 其實邊寫邊學也可以。

如果要把別人現成的類神經網路拆開來研究， 那麼你可能需要一點點 numpy 的語法以便取得多維陣列裡面的資料。 推 visual numpy 這篇。 又可能需要略懂 jupyter notebook 以便畫圖分析。 [2019/9/4] Google 的免費 GPU 平臺 colab 也是採用 jupyter notebook。

我試圖把 AI 的進入門檻降低 -- 從 「會寫 python 程式」 拉低到 「不怕下指令」。 如果你習慣 linux 命令列， 但覺得 AI 領域的程式設計門檻太高， 那麼 我寫好的這些免 coding AI 工具 你可能會有興趣。

即使是不求甚解的工程師， 多知道一些名詞也會有幫助。 我曾試著上 coursera 的課； 不過最終還是偏好閱讀勝過看影片。 大力推薦 史丹佛大學 cs231n 課程講義。 深入淺出、 用很多圖像及直覺來解釋各種觀念及演算法。 不求甚解的工程師可以省略其中的預備課程、 省略作業及實作， 只需要還記得矩陣乘法 （還有英文閱讀無礙） 這份講義讀起來就可以略懂略懂。 當然如果多一點線性代數的知識 （例如粗略直覺理解 svd/eigenvector） 收穫會更多。 不需要理解所有的演算法及數學； 重點是類神經網路的長相跟結構。 還有， 光是草草讀完這份講義之後， 就可以學到很多 ML/DL 常用名詞， 及幫助你進一步學習的搜尋關鍵詞。 [2/25 補充： 朋友分享一個連結： Deep Learning MIT 的線上書。]

[3/10 補充] 類神經網路只能處理 「數值型」 的輸入資料 -- 例如身高、 球速、 氣壓、 溫度、 ... 但現實生活中， 很多資料是 「類別型」 的 -- 例如血型、 星座、 廠牌、 國別、 ...。 要處理 「類別型」 的資料， 最簡單的方式是 one-hot encoding， 可是這會讓資料維度爆量。 這幾篇文章提出一些簡單實用的處理方式： 1、 2。

要開學了， ML/DL 只好暫時收工， 暑假再玩、 再分享心得。 未來想要一起玩 ML/DL 的讀者們， 這段時間可以先去讀一下 cs231n 的超讚講義囉。