老师傅来谈一谈如何入行“机器学习、CV、深度学习等“

如果大家看过了之前的文章，

写给那些准备入坑机器学习、计算机视觉、深度学习等相关领域的人，包括:读研、转行等不同人群，同行勿喷

应该是决定开始走紧这坑了。而且最近大家问得也比较多，也是比较关心的问题，如果从一个零基础的行业小白，走进这个坑？我从自身的角度，结合自己目前的认知来进行一些分析、介绍，也许不适用于太多的人，但总会对一些人有帮助吧。好了，不比比了，直接上干货。

首先，我们解释一下我是×××专业，我能不能学？什么人能学？

1）有可能你不是计算机专业的，没关系，但是你要具备一定的数学基础，本科学得忘干净了也没关系，可以在学会来，反正当初考试也就用了几天时间。

2）计算机专业的，具备编程基础，只是没做过领域研究，这都不算行业小白了，已经算半个行业人士了。

3）通信、电气、自动化专业的，没问题，只要能学数学和英语，都没问题

4）其他工科类的，还是数学！英语！能学就行！

5）文科类的，如果真的想学，反正我学英语的同学，考上北大计算机，在做知识图谱，都是可能的！！

综上，只要具备学习能力+肯学的+有时间学得，基本都能可以入行，当然，越年轻越好，由于本人还不过30岁，30以后的想转行的，建议还是不要咨询我了。。真的没有这个生活经历。只能说，有梦想是好的，加油！

<img src="https://pic3.zhimg.com/v2-cb79b9cb1072685238e1dd1a93bec896_b.jpg" data-caption="" data-size="small" data-rawwidth="1024" data-rawheight="768" class="origin_image zh-lightbox-thumb" width="1024" data-original="https://pic3.zhimg.com/v2-cb79b9cb1072685238e1dd1a93bec896_r.jpg">

2）什么是行业大牛？

吴恩达，李飞飞这样的我就不提了，看几个大牛的主页，你就知道了。

<img src="https://pic3.zhimg.com/v2-60b6b3c7fc98901dff41265f90e8646a_b.jpg" data-caption="" data-size="normal" data-rawwidth="1920" data-rawheight="1080" class="origin_image zh-lightbox-thumb" width="1920" data-original="https://pic3.zhimg.com/v2-60b6b3c7fc98901dff41265f90e8646a_r.jpg">

看到那几个不显眼的CVPR、PAMI了吗？？？2018年的，就这么多了？？现在几号？？2018年4月17日？？这就这么多了？？？？

看到这里，在想想自己，还有什么资格吹牛。。。赶紧去看论文，码代码去了！！

3）入门CV、机器学习、深度学习等行业你需要什么基础

这个。。。我在写给那些准备入坑机器学习、计算机视觉、深度学习等相关领域的人，包括:读研、转行等不同人群，同行勿喷，又提过，在提一遍：

1. 首先你需要掌握几种编程语言：python首选，然后是c/c++，然后是matlab，因为对于很多计算机视觉的任务，python和matlab写的源码会比较多，而工程实施有需要c/c++。所以这几门语言是必不可少的;

2. 入门课程：

   1. 首先是线性代数，看麻省理工的，你会发现和我们本科学得线性代数好像不太一样，这个讲解的更加容易理解！！不再是挺在做计算题的层次，是真的有用！！麻省理工公开课：线性代数_全35集_网易公开课

   2. 斯坦福机器学习：斯坦福大学公开课 ：机器学习课程，这个就不强调了，NG的课程，一般这个行业的都会学习下吧！

   3. 张志华老师的统计机器学习，机器学习导论：http://ocw.sjtu.edu.cn/G2S/OCW/cn/TeacherDetail.htm?id=471，这个课程涉及到更加深入的统计机器学习理论，看完以后你会对概率论有更深入的了解！！

   4. 周志华老师的西瓜书，这个对于机器学习整体的介绍还是比较基础的！！这本书，记得找工作时候，每次面试前都会看一遍！！

3. 进阶课程：这两本是字典一样的存在，每次写文章的时候都会翻一翻，把自己的理论拔高升级下，很难，至今很多没看懂。。！

   1. 矩阵论

   2. 凸优化理论

4. 关于深度学习的东西，我主要是通过调试模型，熟悉的caffe，对于tensorflow则是通过keras了解和针对不同计算机视觉的任务，跑向应的模型，一点点熟悉的，后面我会针对这些东西更加详细的给大家介绍怎么用，目前比较好的书，我也不好推荐，自己主要是看一些博客了解的。

5. 你还需要读英文文献！！！关注顶会议，顶级期刊的文章：我是最计算机视觉的，关注的CVPR、ICCV、ECCV、IJCAI、AAAI、ICML等，期刊的主要是TPAMI、TMM、TCSVCT、TIP等等，另外，不得不提的就是arxiv，这里会有很多最新的工作，好多大牛在发表前都会丢在这个上面，每天刷一刷，作为你的日常！！

6. 最后就是追踪一些学术大牛！多看看他们的主页，看看他们满屏幕的顶会和顶刊的文章，一方面能下载到源码，另一方面，激励下自己，看看自己和大牛的差距，很多文章就是他们的学生的一作，了解了解自己和同龄人的差距！

4）我要怎么选方向？

在前面说了太多的基础的东西，你可能已经具备了相应的武器，还需要用这些武器去做一些事情，产生一些成果，这样才能激励大家继续学下去（大概什么伟人说过吧），因此，你需要选一个方向，去实践，收获，在实践，在收获。。那怎么选呢？

我自己做CV的，虽然做过一些NLP，但是CV的最熟悉，就以此为例：

首先cv主要处理的是图片信号，给你一副图片，你要考虑一副图片你能做什么事情，会有那些任务，从原始图片开始，包括了低分辨率和高分辨率下。包括了各种条件下采集到的图片有可能会有遮挡，有可能会有很强的光照，有可能会有很暗的光照等等，针对不同的场景，你需要做不同的处理，这时候就有了图像降噪，超分辨率重构，图像质量恢复还原等等，再结合具体的任务，比如人脸，行人，车辆，医学图像，服装，工业界的裂纹，很多算法会尝试解决在这个恶劣条件下的识别，分类，检测的任务。

解决这些任务一般有几个过程，预处理阶段---》特征工程，表示学习----》决策分析

图像降噪这些就是预处理阶段

人脸识别的任务，更多的看中表示学习，特征工程阶段

目标跟踪问题则关注特征工程+决策分析阶段，尤其多目标跟踪问题，数据关联、决策分析十分重要;

特征工程又包括了全局的、局部的和关键点的、

还有根据采集到的图像数据，又可以分成二维和三维的问题

对于二维图像任务，包括了：图像生成、还原、恢复、降噪、检测、识别、分类、聚类、描述、方法分别涉及到深度学习、优化理论（表示学习、度量学习）等等

处理的对象可以包括人脸、行人、车、服装、自然场景、医学影像、工业裂纹等等

对于三维图像问题包括了深度估计、障碍物检测、三维重建等等

深度学习的话、需要调网络、设计loss、设计层、提高网络的性能和可解释性

优化算法则包括了稀疏表示、稀疏，低秩，优化模型求解，当然，一般优化问题求解都有相应的套路，比如ADMM、拉格朗日等等

1. 首先，你要先了解下上面这些都是什么东西？？然后，再想想自己喜欢哪个阶段的任务！最后在看看论文，看看目前的比赛，结合导师的项目和已经有的开源数据集，再去定最终的研究方向！

2. 最后，你还需要一个GTX1080！！！老板穷或者自己穷，就放弃深度学习，和我以前一样做优化吧！！哈哈哈

5）如何阅读论文，并对某一个方向进行深入的了解和调研！

关于如何阅读论文我还是有很多话要讲的。一定要阅读英文文献！一定要阅读顶级会议和期刊的文献！顶级会议和期刊是什么意思？看中科院分区表，http://www.ccf.org.cn/xspj/gyml/。SCI1区2区，会议A类的，这些论文应该就够看了，其他的水刊，就算了吧。。

另外，也可以关注下arxiv上的一些最新的进展，只是上面的论文通常没有经过同行评议，质量参差不齐，需要自己把关了。

在刚开始入门的时候，可以找1-2篇博士论文看一下，了解下基本的概念，然后，直接找相关领域review的文章，然后瞄准顶会文章，然后是顶刊文章。这些论文都扫一遍，基本上相关领域算是比较熟悉了，然后就是coding了。。。。

·················································

欢迎关注课程：

Python3+TensorFlow 打造人脸识别智能小程序（新课限时优惠）

深度学习之目标检测常用算法原理+实践精讲