人工智能python实现-使用Kaggle练习解决现实世界的问题

9.4 了解一个快速发展领域的最新进展
9.4.1 使用 Kaggle练习解决现实世界的问题 .
9.4.2 在 arXiv阅读最新进展
9.4.3 探索 Keras生态系统

9.4 了解一个快速发展领域的最新进展

作为最后的临别语,我希望给你一些建议,让你在翻完本书最后一页之后知道如何继续学习并更新知识和技能。正如我们今天所知道的,现代深度学习领域只有几年的历史,尽管它有一个很长、很缓慢的史前历史并长达数十年。自 2013年以来,随着资金来源和研究人数呈指数式增长,整个领域目前正在以狂热的步伐前进。你在本书学到的知识不会永不过时,这些知识也不是你职业生涯的剩余时间所需要掌握的全部内容。

幸运的是,网上有大量免费的在线资源,你可以用来了解最新进展,还可以拓展视野。下面介绍其中一些资源。

9.4.1 使用 Kaggle练习解决现实世界的问题

想要获得现实世界的经验,一种有效的方法是参加 Kaggle上的机器学习竞赛。唯一的真正学习方式就是通过实践与实际写代码来学习,这也是本书的哲学,而  Kaggle竞赛就是这一哲学的自然延续。在 Kaggle上,你会发现一系列不断更新的数据科学竞赛,其中许多都涉及深度学习。一些公司想要在最具挑战性的机器学习问题上获得新颖的解决方案,就举办了这些竞赛,还为顶尖参赛者提供了相当丰厚的奖金。

大部分竞赛的获胜者都使用  XGBoost库(用于浅层机器学习)或   Keras(用于深度学习)。所以你非常适合参加这些竞赛!通过参加一些竞赛,也可能是作为团队的一员,你将会更加熟悉本书所介绍的一些高级最佳实践的用法,特别是超参数优化、避免验证集过拟合与模型集成。

9.4.2 在 arXiv阅读最新进展

深度学习研究与某些其他科学领域不同,它是完全公开化的。论文一旦定稿,就会公开发布供人们自由获取,而且许多相关软件也都是开源的。arXiv(读作 archive,其中 X代表希腊字母χ)是物理、数学和计算机科学研究论文的开放获取预印本服务器。   arXiv已经成为了解机器学习和深度学习最新进展的重要方法。大多数深度学习研究人员在完成他们的论文后会立刻上传到arXiv上。这样他们可以插一面旗子,无需等待会议接收(这需要几个月)就可以宣称某项研究成果的所有权,鉴于该领域研究速度很快、竞争很激烈,这种做法是很有必要的。它还可以让这一领域快速向前发展,对于所有新的研究成果,所有人都可以立刻看到,并可以在其基础上扩展。

一个要命的缺点是,arXiv上每天发布大量新论文,即使全部略读一遍也是不可能的。这些论文没有经过同行评议,想要筛选出重要且质量很高的论文是很困难的。

在噪声中找到信号很困难,而且正在变得越来越难。目前,这个问题还没有好的解决方案。但有一些工具可以提供帮助:一个名叫 arXiv Sanity Preserver的辅助网站可以作为新论文的推荐引擎,还可以帮你在深度学习某个狭窄的垂直领域中跟踪最新进展。此外,你还可以使用谷歌学术(Google Scholar)来跟踪你最喜欢的作者的出版物。

9.4.3 探索 Keras生态系统

截至 2017年  11月,Keras约有   20万名用户,并且还在迅速增长。Keras拥有大量教程、指南和相关开源项目组成的大型生态系统。

  • 使用  Keras的主要参考资料就是    Keras的在线文档(  https://keras.io)。Keras的源代码位于 GitHub上。
  • 你可以在  Keras的  Slack频道(https://kerasteam.slack.com)上寻求帮助并加入深度学习讨论。
  • Keras博客(https://blog.keras.io)提供了  Keras教程以及其他与深度学习有关的文章。
  • 你可以在推特上关注我:@fchollet。

9.5 结束语

本书到这里就结束了!我希望你掌握了关于机器学习、深度学习、 Keras,甚至关于认知的一般知识。学习是终生的旅程,特别是在人工智能领域,我们面对的未知远远多于已知。所以请继续学习,继续提问,继续研究,永不止步。即使目前已经取得了一定进展,人工智能的大多数基本问题也仍然没有答案,许多问题甚至还没有以正确方式提出来。

作者:

喜欢围棋和编程。

 
发布于 分类 编程标签

发表评论

电子邮件地址不会被公开。