• 机器学习
• • 1. 内容
  • 2. 学习的建议
  • 3. 参考资料
  • 4. 更进一步学习

机器学习

机器学习越来越多应用到飞行器、机器人等领域，其目的是利用计算机实现类似人类的智能，从而实现装备的智能化与无人化。本课程旨在引导学生掌握机器学习的基本知识、典型方法与技术，通过具体的应用案例激发学生对该学科的兴趣，鼓励学生能够从人工智能的角度来分析、解决飞行器、机器人所面临的问题和挑战。本课程主要内容包括Python编程基础，机器学习模型，无监督学习、监督学习、深度学习基础知识与实现，并学习如何利用机器学习解决实际问题。

由于本课程需要大量的编程练习才能取得比较好的学习效果，因此需要认真去完成《机器学习-作业和报告》，写作业的过程可以查阅网上的资料，但是不能直接照抄，需要自己独立思考并独立写出代码。

为了让大家更好的自学本课程，课程讲座的视频会陆续上传到《B站 - 机器学习》，欢迎大家观看学习。

1. 内容

1. 课程简介
2. Python
   • Install Python
   • Python Basics
   • Print Statement
   • Data Structure 1
   • Data Structure 2
   • Control Flow
   • Function
   • Class
3. numpy & matplotlib
   • numpy
   • matplotlib
   • ipython & notebook
4. knn
5. kMenas
6. Logistic Regression
   • Least squares
   • Logistic regression
7. Neural Network
   • Perceptron
   • Multi-layer Perceptron & BP
   • Softmax & cross-entroy
8. PyTorch
   • Basic
     • basic/Tensor-and-Variable
     • basic/autograd
     • basic/dynamic-graph
   • NN & Optimization
     • nn/linear-regression-gradient-descend
     • nn/logistic-regression
     • nn/nn-sequential-module
     • nn/bp
     • nn/deep-nn
     • nn/param_initialize
     • optim/sgd
     • optim/adam
   • CNN
     • CNN simple demo
     • cnn/basic_conv
     • cnn/minist (demo code)
     • cnn/batch-normalization
     • cnn/regularization
     • cnn/lr-decay
     • cnn/vgg
     • cnn/googlenet
     • cnn/resnet
     • cnn/densenet
   • RNN
     • rnn/pytorch-rnn
     • rnn/rnn-for-image
     • rnn/lstm-time-series
   • GAN
     • gan/autoencoder
     • gan/vae
     • gan/gan

2. 学习的建议

1. 为了更好的学习本课程，需要大家把Python编程能力培养好，通过一定数量的练习题、小项目培养Python编程思维，为后续的机器学习理论与实践打好坚实的基础。
2. 每个课程前半部分是理论基础，后半部分是代码实现。如果想学的更扎实，可以自己把各个方法的代码亲自实现一下。做的过程如果遇到问题尽可能自己想解决办法，因为最重要的目标不是代码本身，而是学会分析问题、解决问题的能力。
3. 不能直接抄已有的程序，或者抄别人的程序，如果自己不会要自己去想，去找解决方法，或者去问。如果直接抄别人的代码，这样的练习一点意义都没有。如果感觉太难，可以做的慢一些，但是坚持自己思考、自己编写练习代码。。
4. 请先遍历一遍所有的文件夹，了解有什么内容，资料。各个目录里有很多说明文档，如果不会先找找有没有文档，如果找不到合适的文档就去网上找找。通过这个过程锻炼自己搜索文献、资料的能力。
5. 本课程的练习题最好使用Linux以及Linux下的工具来做。逼迫自己使用Linux，只有多练、多用才能快速进步。如果实在太难，先在虚拟机（建议VirtualBox）里装一个Linux（例如Ubuntu，或者LinuxMint等），先熟悉一下。但是最终需要学会使用Linux。

3. 参考资料

• 资料速查

  • 相关学习参考资料汇总
  • 一些速查手册

• 机器学习方面技巧等

  • Confusion Matrix
  • Datasets
  • 构建深度神经网络的一些实战建议
  • Intro to Deep Learning

• Python技巧等

  • 安装Python环境
  • Python tips

• Git

  • Git Tips - 常用方法速查，快速入门
  • Git快速入门 - Git初体验
  • 在win7系统下使用TortoiseGit(乌龟git)简单操作Git
  • Git系统学习 - 廖雪峰的Git教程

• Markdown

  • Markdown—入门指南

4. 更进一步学习

在上述内容学习完成之后，可以进行更进一步机器学习、计算机视觉方面的学习与研究，具体的资料可以参考：

1. 编程是机器学习研究、实现过程非常重要的能力，编程能力弱则无法快速试错，导致研究进度缓慢；如果编程能力强，则可以快速试错，快速编写实验代码等。强烈建议大家在学习本课程之后或之中，好好把数据结构、算法等基本功锻炼一下。具体的教程可以参考《一步一步学编程》
2. 智能系统实验室-培训教程与作业：这个教程是实验室积累的机器学习与计算机视觉方面的教程集合，每个课程介绍基本的原理、编程实现、应用方法等资料，可以作为快速入门的学习材料。
   • 《智能系统实验室-暑期培训教程》
   • 《智能系统实验室-暑期培训作业》
3. 《编程代码参考、技巧集合》：可以在这个代码、技巧集合中找到某项功能的示例，从而加快自己代码的编写