本週熱門活動及免費課程精選（2021.9.8）
除了熱騰騰的精選課程之外，本週🔥IThome 鐵人賽🔥正式開賽！
選擇喜歡的課程、活動，點擊下方網址，手刀報名去～❤❤❤
❶ 即日起 ~ 9/15 活動報名【 9/16 鐵人賽正式開賽 滿滿贈品等你來領！！！】
微軟今年重本加碼相當熱門的「AI & Data」組，讓參加本組的人有滿滿的贈品領不完！！
🎁人人都有參加獎：Apple AirPods Pro、飛狼戶外野炊組、德國蔡司威士忌杯、Azure限量露營帳篷、價值千元304不鏽鋼保溫瓶、精美收線包隨機抽出
只要報名「AI & Data」組，發文內容半數以上為 AI & Data on Azure 相關，並加 Hashtag #azure，完成 30 日賽事，即可參加抽獎活動，人人有獎！
🎁🎁MVP加碼獎：1000元獎金
合上述規則，Microsoft 現役 MVP 可以額外獲得新台幣一千元獎金
🎁🎁🎁分組冠軍加碼獎：Surface Go 2 乙台，市價13,488元
若 AI & Data 分組冠軍文章內容為 Azure 相關主題，除大會獎項，將額外獲得，Surface Go 2 乙台，市價13,488元
iThome 鐵人賽已經進入第 13 屆，是一年一度的 IT 技術文分享活動，每年會都會有 IT 界各個領域的 IT 人來參加，分享他們學習或累積的知識、經驗。AI 與機器學習技術正在改變世界，基於 AI 的次世代產品與革命性服務不斷出現，有許多想法和應用都相當值得交流，鐵人賽「AI & Data 」組也希望大家來分享你的 AI 與 Machine Learning 學習與實踐經驗。目前也有前幾屆的鐵人賽參賽者在獲獎後出書，將自己的想法透過書籍深化影響力。希望大家都可以來挑戰今年的鐵人賽，分享這個世界的未來。
2021 iThome鐵人賽
報名時間：即日起 ~ 9/15
最後開賽日：9/16
👉立即參賽：https://ithelp.ithome.com.tw/2021ironman
❷ 9/15【Microsoft Azure AI 基礎課程】
📌課程簡介：由微軟專業講師帶您進入 AI 的世界，了解人工智慧的概念及應用，使用 Azure 機器學習製作無程式碼的預測模型，及探索 Microsoft Azure 上交談式 AI、自然語言處理及電腦視覺的功能。
👉立即報名：https://mktoevents.com/Microsoft+Event/290710/157-GQE-382?wt.mc_id=AID3038585_QSG_SCL_547376
❸ 9/15 【自由系統–雲端時代的備份與資料安全】
📌研討會簡介：自由系統讓您從傳統備份解放！ 實現災難下的即時還原、正確備份，安全驗證、符合成本效益的彈性配置、釋放人力管理時間與IT資源。
👉立即報名：https://aka.ms/event_freedom0915
❹ 9/17【Microsoft Power Platform 免費線上課程: Fundamentals】
📌課程簡介：Microsoft Power Platform Virtual Training Day 將涵蓋建置和管理創新商務解決方案須知的一切，讓貴組織做好準備迎接各項挑戰。您將探索如何連接資料以分析即時業務績效、使用自訂應用程式對資料和見解付諸行動，以及自動化工作流程以改進人員在遠端和在辦公室內的工作方式。這場訓練活動將教導您如何針對不斷演變的商業環境建立創新、面向未來的解決方案。
👉立即報名：https://aka.ms/Baseline0917_PP_Foundmental
❺ 9/23-24【移轉內部佈署基礎結構和資料】
📌課程簡介：您將了解如何衡量及評估現有內部部署環境，以做好雲端移轉的準備，探討如何監視基於 Azure 的工作負載並使其最佳化，好讓您充分發揮投資報酬率。您也將了解如何使用 Azure 服務和工具來保護及管理 VM、應用程式和資料。
👉立即報名：https://mktoevents.com/Microsoft+Event/291700/157-GQE-382?wt.mc_id=AID3038666_QSG_SCL_547340
❻ 9/28【Microsoft Dynamics 365 免費線上課程: Activate Digital Selling 】
📌課程簡介：當今日益數位化的世界需要敏捷的電子商務戰略。Microsoft Dynamics 365 虛擬培訓日：啟用數位銷售旨在協助您熟悉行銷、銷售和商務產品，這些工作領域可齊心協力打造無縫的數位購買體驗。您可以立即運用新技能和訓練成果，在客戶旅程的每個階段促進有意義的互動。
👉立即報名：https://aka.ms/Baseline0928_D365
#每週課程精選 #Microsoft #Microsoft365 #Azure #Dynamics365 #PowerPlatform
machine learning書 在 [轉錄] 史上最完整機器學習自學攻略！我不相信- 看板DataScience 的推薦與評價
史上最完整機器學習自學攻略！我不相信有人看完這份不會把它加進我的最愛
https://buzzorange.com/techorange/2017/08/21/the-best-ai-lesson/
2017/08/21
問耕／編譯整理
【我們為什麼挑選這篇文章】我們知道很多 TO 的讀者都有相關需求，過去我們分享單堂
課程比較多，這次我們看到這篇非常完整的總整理，從上課到作業，還有課外實作全部都
包裹了，相信一定會很大程度的幫到大家。（責任編輯：林子鈞）
這篇文章的作者為 Andrey Nikishaev，他既是一個軟件開發者，也是一個創業者。
如何成長為一名機器學習工程師？
經常有人這麽問，而這篇文章就嘗試回答這個問題，其中會談到關於機器學習的方方面面
，從簡單的線性回歸到最新的神經網絡。你不僅將學習如何使用這些技術，還將學習如何
從頭開始構建它們。
這個指南主要面向計算機視覺（CV），這也是掌握一般知識的最快方式，從 CV 中獲取的
經驗可以簡單地應用到機器學習的其他領域。
我們將使用 TensorFlow 作為框架。這些課程需要你會 Python，雖然不要求你是大師，
但至少要懂基本的知識。（另外，都是英語授課 ）
溫馨提示，學習知識與動手實踐相結合效果更佳。
1. 課程
1.1 約翰霍普金斯大學的實用機器學習
課程總共 4 周，用戶評分：4.4（5 分制，下同）
1.2 史丹佛大學的機器學習
課程總共 11 周，用戶評分：4.9。授課教師是大名鼎鼎的吳恩達。
上面兩節課，會教給你數據科學和機器學習的基本知識，並為下面的學習做好準備。
1.3 CS231n：面向視覺識別的卷積神經網絡
總共 16 個課時，目前已更新為 2017 春季的最新版本。李飛飛是這節課程的導師。
現在才算步入正軌。這是網上最好的機器學習與計算機視覺課程。
1.4 Google 講深度學習
整個課程大約耗時三個月，導師為 Google 首席科學家 Vincent Vanhoucke，以及
Google Brain 的技術負責人 Arpan Chakraborty。
在這個課程中，將會教授深度學習的原理、設計可以從覆雜的大型數據集學習的智能系統
、訓練和優化基本的神經網絡、CNN、LSTM 等。
選修課。你可以只看其中練習的部分。
1.5 CS224d：面向自然語言處理的深度學習
總共 17 個小時。
選修課。推薦給那些需要用到 NLP 的同學。課程內容也很棒。
1.6 深度學習電子書
Leonardo Araujo dos Santos 整理的深度學習電子書。
選看。這是一本涉及諸多機器學習領域的好書。
2. 練習
這部分給了一堆教程和項目的清單，你應該逐一嘗試並了解它們的工作原理，以及考慮如
何進行改進提升。這個列表的存在，只是為了增加你對機器學習的興趣，所以遇到一些困
難也別氣餒，當你準備好就可以隨時上手練習。
2.1 TensorFlow 上的簡單練習
Kadenze 學院出品，總共 5 個課時。
2.2 Tensorflow 菜譜
這部分內容來自 Nick McClure 的電子書《TensorFlow Machine Learning Cookbook》。
2.3 Tensorflow-101 教程部分
這是一個用 Python 和 Jupyter Notebook 編寫的教程。試圖為 TensorFlow 初學者提供
盡可能的詳細解釋，希望對大家有用~
2.4 快速風格遷移網絡
這個教程展示了如何使用神經網絡，將名畫的風格遷移到任何一張照片上。
2.5 圖像分割
這是一個使用 TensorFlow 實現的完全卷積網絡。作者 Marvin Teichmann 還提供了如何
把這部分代碼集成到你的語義分割管道中的示例。
2.6 使用 SSD 實現物體識別
物體識別最快（也是最簡單）的模型之一
2.7 面向物體識別和語義分割的快速掩膜 RCNN
2.8 強化學習
非常有用，特別是當你想搭建一個機器人或者下一個 DotA AI 時。
2.9 Google 大腦團隊的 Magenta 項目
這個項目旨在通過神經網絡創造出色的藝術和音樂作品。
2.10 深度雙邊學習實時圖像增強
一個很棒的圖像增強算法，來自 Google。
2.11 自動駕駛汽車項目
想造一輛自動駕駛汽車嗎？這是一個很好的入門。
3. FAQ
如果中途卡住了怎麽辦？
首先，你得明白機器學習不是 100% 精確的東西，大多數情況下只是一個很好的猜測，並
且需要大量的調整疊代。大多數情況下，想出一個獨特的點子是非常困難的，因為你的時
間和資源將耗費在訓練模型上。
所以，不要自己想解決方案。去搜索論文、項目，以及求助他人，積攢的經驗越多，你會
幹的越好。給幾個可能有用的網站：
https://www.gitxiv.com
https://www.arxiv-sanity.com
https://arxiv.org
https://stackoverflow.com
為什麽論文不能完全解決這個問題，為什麽論文有些地方是錯的？
很遺憾，並不是所有的科技人員都想把他們的成果公之於眾，但他們都需要發表論文來獲
得「名」或者「利」。所以一些人可能只發布部分素材，或者給出錯誤的公式。所以 找
到代碼永遠比找到論文更有用 。
哪裡可找到最新的資料？
參考上面推薦過的幾個網站， 尤其是 gitxiv.com，不僅僅能找到論文，而且還能找到代
碼，所以特別實用。
我應該用雲計算還是桌機/筆記本電腦？
雲更適用於有大量計算需求的情況。對於學習和測試來說，使用桌機／筆記本電腦要便宜
得多，當然前提是配有支持 CUDA 的顯卡。比方，我自己就用一個筆記本訓練模型，顯卡
是帶有 690CUDA 核心的 GTX GeForce 960M。
當然， 如果有免費的雲資源可用，當然要用 。
如何更好地調整超參數？
訓練的主要問題是時間。你不可能一直坐在那看著訓練數據。因此，我建議你使用 Grid
Search。基本上，只需要創建一組超參數和模型架構，然後一個接一個的運行，並保存結
果。這樣就能晚上訓練，白天比較結果，找到最有希望的那個。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 180.217.92.132
※ 文章網址: https://www.ptt.cc/bbs/deeplearning/M.1518514290.A.816.html
... <看更多>