如何從一個「行業小白」走進「機器學習、CV、深度學習等」這個行業，並取得一定的成績？

來自專欄 深度學習乾貨鋪

如果大家看過了之前的文章，

kuki：寫給那些準備入坑機器學習、計算機視覺、深度學習等相關領域的人，包括:讀研、轉行等不同人群，同行勿噴

應該是決定開始走緊這坑了。而且最近大家問得也比較多，也是比較關心的問題，如果從一個零基礎的行業小白，走進這個坑？我從自身的角度，結合自己目前的認知來進行一些分析、介紹，也許不適用於太多的人，但總會對一些人有幫助吧。好了，不比比了，直接上乾貨。

首先，我們解釋一下我是×××專業，我能不能學？什麼人能學？

1）有可能你不是計算機專業的，沒關係，但是你要具備一定的數學基礎，本科學得忘乾淨了也沒關係，可以在學會來，反正當初考試也就用了幾天時間。

2）計算機專業的，具備編程基礎，只是沒做過領域研究，這都不算行業小白了，已經算半個行業人士了。

3）通信、電氣、自動化專業的，沒問題，只要能學數學和英語，都沒問題

4）其他工科類的，還是數學！英語！能學就行！

5）文科類的，如果真的想學，反正我學英語的同學，考上北大計算機，在做知識圖譜，都是可能的！！

綜上，只要具備學習能力+肯學的+有時間學得，基本都能可以入行，當然，越年輕越好，由於本人還不過30歲，30以後的想轉行的，建議還是不要諮詢我了。。真的沒有這個生活經歷。只能說，有夢想是好的，加油！

2）什麼是行業大牛？

吳恩達，李飛飛這樣的我就不提了，看幾個大牛的主頁，你就知道了。

看到那幾個不顯眼的CVPR、PAMI了嗎？？？2018年的，就這麼多了？？現在幾號？？2018年4月17日？？這就這麼多了？？？？

看到這裡，在想想自己，還有什麼資格吹牛。。。趕緊去看論文，碼代碼去了！！

3）入門CV、機器學習、深度學習等行業你需要什麼基礎

這個。。。我在kuki：寫給那些準備入坑機器學習、計算機視覺、深度學習等相關領域的人，包括:讀研、轉行等不同人群，同行勿噴，又提過，在提一遍：

1. 首先你需要掌握幾種編程語言：python首選，然後是c/c++，然後是matlab，因為對於很多計算機視覺的任務，python和matlab寫的源碼會比較多，而工程實施有需要c/c++。所以這幾門語言是必不可少的;
2. 入門課程：
1. 首先是線性代數，看麻省理工的，你會發現和我們本科學得線性代數好像不太一樣，這個講解的更加容易理解！！不再是挺在做計算題的層次，是真的有用！！麻省理工公開課：線性代數_全35集_網易公開課
2. 斯坦福機器學習：斯坦福大學公開課 ：機器學習課程，這個就不強調了，NG的課程，一般這個行業的都會學習下吧！
3. 張志華老師的統計機器學習，機器學習導論：http://ocw.sjtu.edu.cn/G2S/OCW/cn/TeacherDetail.htm?id=471，這個課程涉及到更加深入的統計機器學習理論，看完以後你會對概率論有更深入的了解！！
4. 周志華老師的西瓜書，這個對於機器學習整體的介紹還是比較基礎的！！這本書，記得找工作時候，每次面試前都會看一遍！！
3. 進階課程：這兩本是字典一樣的存在，每次寫文章的時候都會翻一翻，把自己的理論拔高升級下，很難，至今很多沒看懂。。！
1. 矩陣論
2. 凸優化理論
4. 關於深度學習的東西，我主要是通過調試模型，熟悉的caffe，對於tensorflow則是通過keras了解和針對不同計算機視覺的任務，跑嚮應的模型，一點點熟悉的，後面我會針對這些東西更加詳細的給大家介紹怎麼用，目前比較好的書，我也不好推薦，自己主要是看一些博客了解的。
5. 你還需要讀英文文獻！！！關注頂會議，頂級期刊的文章：我是最計算機視覺的，關注的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，這裡會有很多最新的工作，好多大牛在發表前都會丟在這個上面，每天刷一刷，作為你的日常！！
6. 最後就是追蹤一些學術大牛！多看看他們的主頁，看看他們滿屏幕的頂會和頂刊的文章，一方面能下載到源碼，另一方面，激勵下自己，看看自己和大牛的差距，很多文章就是他們的學生的一作，了解了解自己和同齡人的差距！

4）我要怎麼選方向？

在前面說了太多的基礎的東西，你可能已經具備了相應的武器，還需要用這些武器去做一些事情，產生一些成果，這樣才能激勵大家繼續學下去（大概什麼偉人說過吧），因此，你需要選一個方向，去實踐，收穫，在實踐，在收穫。。那怎麼選呢？

我自己做CV的，雖然做過一些NLP，但是CV的最熟悉，就以此為例：

首先cv主要處理的是圖片信號，給你一副圖片，你要考慮一副圖片你能做什麼事情，會有那些任務，從原始圖片開始，包括了低解析度和高解析度下。包括了各種條件下採集到的圖片有可能會有遮擋，有可能會有很強的光照，有可能會有很暗的光照等等，針對不同的場景，你需要做不同的處理，這時候就有了圖像降噪，超解析度重構，圖像質量恢復還原等等，再結合具體的任務，比如人臉，行人，車輛，醫學圖像，服裝，工業界的裂紋，很多演算法會嘗試解決在這個惡劣條件下的識別，分類，檢測的任務。

解決這些任務一般有幾個過程，預處理階段---》特徵工程，表示學習----》決策分析

圖像降噪這些就是預處理階段

人臉識別的任務，更多的看中表示學習，特徵工程階段

目標跟蹤問題則關注特徵工程+決策分析階段，尤其多目標跟蹤問題，數據關聯、決策分析十分重要;

特徵工程又包括了全局的、局部的和關鍵點的、

還有根據採集到的圖像數據，又可以分成二維和三維的問題

對於二維圖像任務，包括了：圖像生成、還原、恢復、降噪、檢測、識別、分類、聚類、描述、方法分別涉及到深度學習、優化理論（表示學習、度量學習）等等

處理的對象可以包括人臉、行人、車、服裝、自然場景、醫學影像、工業裂紋等等

對於三維圖像問題包括了深度估計、障礙物檢測、三維重建等等

深度學習的話、需要調網路、設計loss、設計層、提高網路的性能和可解釋性

優化演算法則包括了稀疏表示、稀疏，低秩，優化模型求解，當然，一般優化問題求解都有相應的套路，比如ADMM、拉格朗日等等

1. 首先，你要先了解下上面這些都是什麼東西？？然後，再想想自己喜歡哪個階段的任務！最後在看看論文，看看目前的比賽，結合導師的項目和已經有的開源數據集，再去定最終的研究方向！
2. 最後，你還需要一個GTX1080！！！老闆窮或者自己窮，就放棄深度學習，和我以前一樣做優化吧！！哈哈哈

5）如何閱讀論文，並對某一個方向進行深入的了解和調研！

（我曾經的學術之路是怎麼走的）

今天大概先寫這麼多，明天在整理下！！！困！！

最後，希望每一個準備入坑的朋友，能夠從上面的內容中有所收穫，並且找到自己的方向，多發paper！！！做產品的，把技術做好，用在工程上！！推動，智能社會的發展！！！另外，有人工智慧、機器學習創業的想法，也歡迎和我一起討論！！大佬們帶我一起共同富裕！！

如有問題，歡迎入群！

QQ群：745224003,目前群人數較少，希望後面慢慢壯大，想加微信，入群私聊～