计算机视觉与人工智能学习指南
在开始任何课程之前,首先要了解自己的需求和目标。是否希望理解计算机视觉在业务问题中的概念性影响,还是希望成为在公司中实施代码和流程以利用计算机视觉的人?简而言之,是计划编写代码来实现计算机视觉,还是主要关注解决方案的管理?明确技能目标对于选择正确的学习路径至关重要。
人工智能背景如何?是否已经具备编程背景,但对计算机视觉还比较陌生?或者对另一个机器学习领域(如自然语言处理)有所了解,但对计算机视觉还不熟悉?也许是非技术人员,对人工智能完全陌生?下面的建议是基于这些想法。
最适合哪种学习方式?虽然视频课程对一些人来说很有效,但博客文章或教科书对其他人来说可能更好。例如,编写了一个深入的指南,介绍了什么是目标检测以及如何使用它。最终,强烈建议用实际项目来补充使用的学习方式,以测试技能。在谈到学习时,直接投入到问题中是取得进步的最好方法之一。(可以从开源计算机视觉数据集开始。)
考虑到这一点,这里有一些最喜欢的建议。如果正在寻找人工智能(机器学习和计算机视觉是其子集)的高级入门课程,请查看Coursera上的“AI for Everyone”。由创建Google Brain团队和Coursera本身的Andrew Ng提供人工智能的概述,如何将其构建到公司中,以及它如何改变社会。这个课程是免费的,大约需要六小时完成,因此它是一个很好的入门课程。
如果正在寻找实施计算机视觉技术的课程,有一些课程可以带更深入地学习。合作伙伴OpenCV维护了一系列课程,引导学习者了解计算机视觉的基础知识和应用:https://opencv.org/courses/。这些课程是一个较大的投资(第一单元从600美元开始),但它们是由讲师引导的,提供了一个可适应的学习体验。
对于初学者来说,还有一些较轻的介绍。Coursera维护了一个深度学习专业化课程,其中一个单元更深入地探讨了计算机视觉:https://www.coursera.org/lecture/introduction-tensorflow/an-introduction-to-computer-vision-rGn1n。
对于那些对机器学习感到舒适但希望更深入地了解计算机视觉的人,斯坦福大学的CS231N课程不容错过,特斯拉AI负责人Andrej Karpathy等领导者完成了这门课程。该课程可通过http://cs231n.stanford.edu/向公众开放,并且有许多公共资源和学习者公开分享他们的作品的存储库。
无论背景如何,都推荐一个重要的课程:Kaggle的AI Ethics入门课程:https://www.kaggle.com/learn/intro-to-ai-ethics。这个课程通过以人为本的设计,训练数据中潜在的偏见,以及如何创建可持续的AI系统。在机器学习中,拥有一个代表性的数据集不仅仅是关于数据伦理——它还会产生更好的模型。