ChanLight的部落格

網路上面有很多學習AI的資源,如國內有名的李宏毅教授,

之前拜讀過,老師可以用很生動的方式來解釋矩陣轉換,或者是模型的原理。

但個人資質駑鈍,始終都停留在表面,自以為懂了以後,

將課堂的作業打開,看到pandas套件, dataset, dataloader的使用方式又一知半解,

最後只停留在調整超參數,看一下跑出來的數據結果來自我安慰。

就這樣持續了一段時間,只上課但沒有實作結果的狀態，

後來因緣際會下,無意間看到了fast ai這個網站,

Practical Deep Learning for Coders - Practical Deep Learning

作者Jeremy Howard曾任職於舊金山大學與Rachel Thomas是fast ai的聯合創辦人

大家可不要被這些英文課程給嚇到,

他們致力於讓數學不太在行的人,也可以實作AI模型, 

課程會先讓學員用他們開發的fast.al 模組,

快速整理資料,製作模型,先讓學員信心爆棚,

之後再慢慢把模型運作的原理帶入,其中並沒有用到太艱深的數學。

只要有大一的數學的程度,懂代數跟微積分,基本上就不會有太大的問題。

有趣的是,作者有把整本的書集結成冊販售,但又把書的電子檔放在網站上供人下載,

你可以選擇購買書籍,或是上網免費閱覽都可以,

如果覺得英文太艱澀,也有其他網友翻譯成中文的版本可供閱覽

fastbook/translations/cn at master · fastai/fastbook · GitHub

這本書主要會介紹幾種模型

一般常見的CNN, 用於做物件分割, 影像辨識,

到後來的ResNet模型, 可以解決模型跑到更多層,良率反而變差的問題.

決策樹及表格模型,可用於喜好預測, 或預測銷售金額,甚至能用於醫療,金融等各個領域.

RNN, LSTM, 可用於序列資料的預測(如語音或文字), 或者是分析整篇文章的語意,如評斷文章作者對這個產品的喜好程度等等.

但NLP現在的主流已經是transformer等attention-based架構的天下

另外作者還有開設課程, 如生成式模型, 可以做style transform , super resolution等應用

這些都有影片可以看,

有興趣也可以瀏覽相關課程。

Deep Learning For Coders—36 hours of lessons for free

下一篇會有style transform的實作,當作是學習紀錄。