実践的 | この記事は、ディープラーニングをゼロから始めるのに役立ちます

この記事は、初心者の視点から始まり、真のゼロベースの視点から専門的なアドバイスとガイダンスを提供することを目的としています。

ここではディープラーニングがいかに人気があるかは強調しません。そのため、「ディープラーニング（機械学習）への移行は自分に合っているのか？」「ディープラーニング（機械学習）への移行方法は？」「ディープラーニングへの移行にはどのような入門教材が必要なのか？」など、多くの人が気になる疑問を抱えています。

オンラインでの対応する質問に対する回答もかなり乱雑で、誠実さの欠如、基礎知識の欠如などの問題があります。

多くの人が特定の専門的な基礎を持たず、キャリアの変更や学習などの問題に関心を持っていることを考慮して、この記事は初心者の視点から、真にゼロベースの視点から、皆様に専門的なアドバイスとガイダンスを提供したいと考えています。

人々が無駄な情報を大量に読むのを避け、回り道を減らすようにします。次に、この記事では、以下の方向から物語を展開していきます。

ディープラーニングに適した人材とはどのような人材でしょうか？
ディープラーニングを学ぶには？
ディープラーニングの入門教材としてお勧めのものは何ですか？

[[242232]]

ディープラーニングに適しているのは誰でしょうか?

ディープラーニングには一定の閾値があり、それは避けられません。インターネットで言われているように、ディープラーニングは単なる「狭いスイッチ」ではありません。実際のビジネスシナリオに基づいて、いくつかのモデルを再現したり、自分でモデルを設計したりする必要がある場合があります。そのため、数学、英語、プログラミングなどの一定の能力が必要です。

1. 中学・高校卒業生はディープラーニングを学ぶのに適していますか？

ここで、私はそのような人々にディープラーニングへの転換を勧めません。なぜなら、今必要なのはディープラーニングではなく、高校の知識、大学の知識の蓄積、思考パターンの育成だからです。あなたがまだ若いのであれば、まずこれらの道を修了してから、ディープラーニングの分野への参入を検討することをお勧めします。

人生には多くの可能性があるので、急いで選択をする必要はありません。もちろん、ある程度の年齢に達していれば、これに煩わされる必要はまったくないと思います。お金を稼ぐチャンスはまだたくさんあります。

2.文系の学生はディープラーニングを学ぶのに適していますか?

文系の学生に関しては、一般化することはできないと思います。リベラルアーツ系の学生、特に言語学や文学を学んでいる学生の中には、より発散的に考える傾向があり、論理的思考能力が欠けている人もいます。

そのような人には、ディープラーニングの分野に入ることはお勧めできません。自分の業界で仕事をうまくこなしたいだけか、プログラミングやモデル設計のトレーニングのタスクを避けるためにディープラーニングのプロダクトマネージャーなどの役職を選ぶことになります。

3. 機械工学や電気工学などの理工学のバックグラウンドを持つ人はディープラーニングに適していますか?

電気、電子、機械、化学、生物などの理工学を専攻する学生にとって、ディープラーニングの分野に進むことを選択した場合、それはまだ可能であると私は個人的に考えています。

機械を例にとると、機械業界の多くの友人もいくつかの低レベルのプログラミングタスクにさらされることになります。電子工学や電気工学を専攻する学生も、いくつかのプログラミングタスクにさらされることがよくあります。

同様に、信号処理に関する知識がある程度ある人にとっては、ディープラーニングや機械学習への参入障壁は比較的低くなります。もちろん、実際にはご自身の状況によって異なりますが、適切かどうかは、以下の基準と比較するとわかります。

4. 高齢になってからディープラーニングに切り替えるのは適切でしょうか?

個人的には、あなたと一部の若者の間には確かに中核的な競争力のギャップがあるため、私はそれをお勧めしません。可能であれば、この分野をさらに深く掘り下げていきたいと思います。

5. 2、3か月勉強すればマスターになり、年収20万以上を得られると期待しています。

あらゆる技術を習得するには、特にディープラーニングや機械学習などの作業の場合は、ある程度の時間を積み重ねる必要があります。短期的には、専門家の指導を受けても、基礎を垣間見ることはできるかもしれませんが、それを習得することはできません。オープンな気持ちで学び、一定期間にわたって経験を積めば、年収 20 万ドル以上を稼げる可能性はまだ十分にあります。

まとめると、ディープラーニングに適しているのは誰でしょうか?

大学で高度な数学を学んだ学部生、修士課程および博士課程の学生。
高度な数学のバックグラウンドを持つ企業の技術スタッフには AI の活用が必要です。
過去にPC、iOS、Androidの開発経験があり、プログラミングの基礎知識がある方。
論理的思考能力に優れた学部生。

ディープラーニングを始めるには

ディープラーニングが向いている人はどんな人か話した後、ディープラーニングの学び方について見ていきましょう。

具体的には、次の手順を実行する必要があります。

ディープラーニングの全体的な概要: ディープラーニングの過去と現在を理解し、ディープラーニングの流行が爆発的に広がった理由を理解します。どのような技術が代表され、どのような分野、製品、企業が関与し、さまざまな業界でどのような応用が行われているのか。ディープラーニングに関する知識を可能な限り普及させる。
ディープラーニング入門:ディープラーニング、機械学習、人工知能の違いと関連性。
ディープラーニングの予備知識：数学の基礎（線形代数、行列、確率統計、最適化など）、機械学習の基礎、プログラミングの基礎。
ディープラーニングのコア知識：ニューラルネットワーク、ディープネットワーク構造、画像タスク、音声タスク、自然言語タスク。
ディープラーニングに関する高度な知識:ディープラーニングフレームワークを使用してネットワークの構築とトレーニングを完了する方法。

これまでディープラーニング企業、つまり人工知能企業について触れてきました。ここでは代表的な企業をいくつか紹介します。

音声認識技術では、国内企業のiFlytekとBaiduが担当。スマートスピーカーなどの製品を業界に応用しているGoogle、Amazon、Microsoftなどの外国企業。
セキュリティに取り組んでいるHikvision、TuSimple、Yitu Technology、Megvii Technologyなどの画像認識技術。代表的なものはiPhone Xの顔認識などの顔認識です。
テスラ、ウーバー、百度などが開発しているような自動運転技術。
金融分野での株価予測、医療分野での疾病モニタリング、教育分野でのテクノロジーエンパワーメントなど。
アリババ・タオバオの人物ごとの何千もの顔など

次に、ディープラーニングに関する一般的な知識を見てみましょう。

明確にしておきたいのは、ディープラーニングは機械学習の手法であるということです。ディープラーニングに加えて、線形回帰、ロジスティック回帰、SVM、ランダムフォレスト、グラフィカルモデル、ベイズなど、さまざまな手法が含まれます。

ただし、ディープラーニングはすべてのタスクに効果的というわけではありません。場合によっては、従来の機械学習手法も必要になります。機械学習は人工知能を実現するために欠かせない技術的手段です。

ディープラーニングと従来の機械学習の違いと関連性は何ですか?以下の点をご確認ください。

データの依存関係。ディープラーニングと従来の機械学習の主な違いは、データのサイズが大きくなるにつれてパフォーマンスが向上することです。データが少ない場合、ディープラーニングアルゴリズムは簡単に過剰適合する可能性があります (これは単純にパフォーマンスの低下として理解できます)。
ハードウェア依存性。ディープラーニングアルゴリズムには、多数の行列演算が必要です。GPU は主に行列演算を効率的に最適化するために使用されるため、ディープラーニングが適切に機能するためには GPU が不可欠なハードウェアです。従来の機械学習アルゴリズムと比較すると、ディープラーニングは GPU を搭載したハイエンドマシンに大きく依存します。もちろん、GPU に加えて、他のディープラーニングチップの開発も非常に重要です。通常の方法は、トレーニングに GPU を使用し、実際のプロジェクトでは代わりに他のディープラーニングチップを使用することです。
機能の表現。従来の機械学習は手動で設計された機能に大きく依存し、より多くのドメイン知識の導入を必要としますが、ディープラーニングはさまざまな粒度で機能を直接抽出できるため、表現能力が高くなります。
エンドツーエンド。従来の機械学習手法は、論理ルールの設計に重点を置いています。問題を解決する際、問題をいくつかの異なるサブ問題に分割します。一方、ディープラーニングは、エンドツーエンドでデータの観点から問題を直接解決することに重点を置いています。
トレーニングの時間です。ディープラーニングモデルのトレーニングには通常長い時間がかかりますが、幸いなことにテストにはそれほど時間がかかりません。
説明可能性。ディープラーニングアルゴリズムは解釈性が低く、ブラックボックス操作に似ています。

ディープラーニングの基本的な状況を理解した後、ディープラーニングを学ぶために必要な準備知識を見てみましょう。

数学（高度な数学、線形代数、確率統計、行列解析、そしてまだ機会があれば最適化について学ぶこともできます）
英語：英語の文学作品をたくさん読む必要があり、英語を読んで理解する能力も必要です。
プログラミング、少なくとも Python を学び、エネルギーがあれば C/C++ を学習してください。
機械学習では、従来の機械学習アルゴリズムの推奨事項をいくつか理解する必要があります。

上記の基本的な能力を準備した後、ディープラーニングに関するコアな知識を見てみましょう。理解する必要があるのは以下の点です。

ニューラルネットワーク;
CNN、RNN、LSTM などのさまざまなネットワーク構造。
ディープラーニングフレームワーク: Caffe、TensorFlow、およびこれらのフレームワークの使用方法。
ディープラーニング+画像処理モデル。
ディープラーニング + 音声認識モデル。
ディープラーニング+自然言語処理モデル。

注:上記の 3 つのタスク (ディープラーニング + 画像処理モデル、ディープラーニング + 音声認識モデル、ディープラーニング + 自然言語処理モデル) については、実際にはすべてに精通している必要はありません。そのうちの 1 つに集中するだけで十分です。これは、自分の興味によって異なります。

具体的には、過去の記事「コンピュータビジョン業界におけるディープラーニングの応用、音声技術分野におけるディープラーニングの応用、自然言語処理業界におけるディープラーニングの応用」を参考にして、どの業界に興味があるかを確認してください。初期段階では、この業界の研究に集中できます。後で機会があれば、より高度な一般的なテクノロジーとフレームワークを検討できます。

***では、理論的な部分を重視した後、より高度な知識、つまり実践的な部分に重点を置きます。ディープラーニングを学習するときは、ディープラーニングにはさらに多くのプログラミングが必要であることを認識する必要があります。プログラミング！プログラミング！つまり、理論レベルにとどまることはできず、Caffe や TensorFlow を使用して実際の分類タスクの実験を行うには、より実践的なスキルが必要になります。この方法でのみ、より早く経験を積み、より早くディープラーニングに参入することができます。

***、皆さんにいくつかのコースと教材をお勧めします:

まずは線形代数についてお話しましょう。MITが開設した「MIT Open Course: Linear Algebra」というコースがおすすめです。学部時代に習った線形代数と違うことが分かると思います。こちらの説明の方がわかりやすいですね！！単なる計算ではなく、本当に便利です！
スタンフォード機械学習：スタンフォード大学公開講座：機械学習コース。強調はしません。NG のコースです。一般的に、この業界の人はこれを勉強します！
張志華先生の「統計機械学習」と「機械学習入門」。このコースでは、より詳細な統計機械学習理論を扱います。これを読めば、確率論に対する理解が深まります。
周志華先生の『Watermelon Book』は、機械学習全体についての比較的基本的な入門書です。就職活動の際には、必ず面接の前にこの本を読んでください。
Caffe と TensorFlow を学ぶには、デモをいくつか実装したり、記事を読んだりすることが中心になります。今後は入門コースもいくつか開始する予定なので、皆さんが学習を続けられることを願っています。

<<: データ時代の金採掘者になりましょう。Analysysアルゴリズムコンペティションがあなたの実力を披露するのを待っています。

>>: 機械学習を簡単に理解！クラスタリング、回帰、分類アルゴリズムを説明する 3 つのケース