深度学习的四个学习阶段！

由 demi 提交于周一, 7 六月 2021 - 18:22

来源：Coggle数据科学

机器学习领域是巨大的，为了学习不迷路，可以从以下列表帮助学习。它概述深度学习的一些学习细节。

阶段1：入门级

入门级能够掌握以下技能：
<ul><li>能够处理小型数据集</li>
<li>理解经典机器学习技术的关键概念</li>
<li>理解经典网络DNN、CNN和RNN</li></ul>

数据处理
在入门级使用的数据集很小，可以放入主内存中。只需几行代码即可应用此类操作。在此阶段数据包括Audio、Image、Time-series和Text等类型。

经典机器学习
在深入研究深度学习之前，学习基本机器学习技术是一个不错的选择，其包括回归、聚类、SVM和树模型。

网络
掌握常见的网络层，以及相应的神经网络；GAN、AE、VAE、DNN、CNN、RNN 等等。在入门阶段，可以优先掌握DNN、CNN和RNN。

理论
没有神经网络就没有深度学习，没有（数学）理论就没有神经网络。可以通过了解数学符号来开始学习，可以从矩阵、线性代数和概率论开始你的学习。

阶段2：进阶水平

进阶和入门级之间没有真正的分界，进阶水平能够处理更大的数据集，能够使用高级网络处理自定义项模型：
<ul><li>处理更大的数据集</li>
<li>能够自定义模型完成任务</li>
<li>网络模型精度变得更好</li></ul>

数据处理
能够处理几GB的数据集，需要自定义数据扩增方法和数据处理函数。

自己完成任务
能够根据具体任务完成代码的开发，而不是参考MNIST的教程完成编码。

自定义网络
处理自定义项目时，如何处理数据数据？如何定义自己的网络层？

模型训练
掌握迁移学习的思路，学会使用预训练权重完成新任务。并掌握冻结部分网络层的方法。

深度学习理论
掌握深度学习模型的正向传播和反向传播，特别是链式求导法则。掌握激活函数和目标函数的作用，能够选择合适的激活函数和目标函数。

阶段3：熟练水平

与进阶相比你需要掌握更加的数据集处理方法，并掌握加速模型训练的方法：
<ul><li>大规模数据的处理和存储</li>
<li>网络模型的调参</li>
<li>无监督学习和强化学习</li></ul>

数据处理
需要掌握几百GB数据集的处理，学会Linux的操作。此阶段可能接触到多模态任务。

无监督项目
开始尝试无监督网络模型的搭建，如自编码器和GAN模型，能够掌握模型原理。

模型训练
掌握模型调参的方法和常见的日志和可视化工具，如TensorBoard的使用。掌握学习率的调节方法，如余弦退火。掌握多机和混合精度训练。

阶段4：专家级

掌握前沿的学术模型的发展，知道自己的兴趣是什么，并能提出新的模型：
<ul><li>学会使用JAX或DALI处理数据</li>
<li>熟悉图神经网络和Transformer模型</li></ul>

本文出处：<a href="https://mp.weixin.qq.com/s/DVdZI1FMT5Xkp3cXhUtxPQ">Coggle数据科学</a>