Hành trình 2 năm tham gia học sâu của tôi: Phần III - Tài nguyên để thực hành và cập nhật

Bạn đang đọc phần thứ 3 và phần cuối của loạt bài blog mà tôi đã viết một thời gian.
Bạn có thể đọc 2 phần còn lại theo đường dẫn sau:

Phần I: Sách và các bước khởi đầu

Phần II: Các khóa học

Trong phần này, tôi sẽ giới thiệu một số tài nguyên tốt nhất có thể giúp bạn thực hành và cập nhật cho bạn những tin tức quan trọng nhất trong lĩnh vực này.
Mỗi tuần, tôi đang sử dụng hầu hết (nếu không phải tất cả) những nguồn này theo cách nào đó trong các dự án hoặc nghiên cứu của mình; Tôi chắc rằng bạn cũng sẽ sử dụng chúng rất nhiều!

Sách và các khóa học là hai nguồn tài liệu chính mà tôi sử dụng để đạt được vị trí hiện tại. Tuy nhiên, có rất nhiều tài nguyên tuyệt vời và đôi khi bị đánh giá thấp khác đã đóng góp rất nhiều vào việc học của tôi:

1. Kaggle

Trong số tất cả các tài nguyên trong phần này, Kaggle nổi bật là một trong những nền tảng tuyệt vời nhất trên internet để thực hành và học máy học!

Kaggle tổ chức rất nhiều cuộc thi về khoa học dữ liệu và học sâu hàng năm với những người tham gia từ khắp nơi trên thế giới. Ngoài ra còn có vô số bộ dữ liệu vô giá trên Kaggle mà bạn có thể sử dụng để đào tạo các mô hình của riêng mình, tất cả đều miễn phí. Nó không kết thúc ở đây!

Phần tuyệt vời khác của nền tảng này là nơi mọi người có thể chia sẻ mã và giải pháp của họ cho các cuộc thi, tất cả trong một sổ ghi chép Jupyter đơn giản giúp việc thử nghiệm với mã thực sự dễ dàng. Bạn có thể chỉ cần tách một trong các sổ ghi chép (hay còn gọi là hạt nhân trong ngữ cảnh này) và bắt đầu đọc mã và xem nó thực sự hoạt động gì bằng cách chạy từng ô một.

IMHO, khả năng đọc và hiểu mã do người khác viết là kỹ năng cơ bản mà bạn cần phải rèn luyện nếu muốn tồn tại trong lĩnh vực này, và một tài nguyên tuyệt vời để thực hành kỹ năng này là các hạt nhân trên Kaggle và cố gắng hiểu những gì mỗi dòng mã được thực hiện bằng cách chạy chúng từng dòng và xem đầu ra của chúng đang hoạt động.

Hơn nữa, Kaggle có một cộng đồng tuyệt vời mà từ đó bạn có thể học hỏi được rất nhiều điều. Bên cạnh việc chia sẻ sổ tay và tập dữ liệu này, có một tab Thảo luận trong mỗi cuộc thi, nơi các Kagglers chia sẻ suy nghĩ và ý tưởng của họ về cuộc thi. Một số người chia sẻ các tài liệu nghiên cứu có liên quan và một số chia sẻ kết quả thí nghiệm của họ, điều này chắc chắn hữu ích.

2. Twitter

Tôi đã bị sốc khi được biết qua “twitter học thuật”! Twitter là phương tiện số 1 để cập nhật những nghiên cứu mới nhất trong lĩnh vực này và hiểu được những dự án mà người khác đang thực hiện. Hơn nữa, bạn thường thấy rằng ai đó chia sẻ một khóa học ML / DL tốt hữu ích cho họ và bạn chưa bao giờ nghe nói về (tôi đã biết với nhiều tài nguyên ở đây qua Twitter).

Điều quan trọng là phải theo dõi những người phù hợp trong đó hoặc tạo một “Danh sách” chuyên biệt, nơi bạn đặt tất cả các tài khoản liên quan đến AI / ML / DL vào một nơi để nội dung của họ không bị lẫn với các tweet ngẫu nhiên từ bạn bè của bạn! Bạn có thể kiểm tra tài khoản của tôi @MoeinShariatnia tại twitter để tìm ra người cần theo dõi trong lĩnh vực này bằng cách xem phần “sau” trong hồ sơ của tôi. Tôi cũng đã tạo một danh sách có tên AI / ML / DL, nơi tôi đặt các tài khoản và mọi người có liên quan vào một nơi.

3. LinkedIn

Giống như Twitter, rất nhiều tài liệu hữu ích được chia sẻ ở đây. Đó là một môi trường hoàn hảo để giới thiệu các dự án cá nhân mà bạn đã và đang thực hiện. Bạn có thể dễ dàng nhận được lời đề nghị cho các cơ hội việc làm tuyệt vời nếu bạn đang hoạt động trong đó và nếu đủ và đa dạng mọi người biết đến bạn. Công việc hiện tại của tôi và nhiều lời mời làm việc khác mà tôi đang nghĩ đến vào thời điểm đó, đã được đề xuất cho tôi qua LinkedIn (và một số thông qua Twitter!). Một lần nữa, đây là tài khoản của tôi trên LinkedIn ; trong trường hợp bạn chưa quen và không biết theo dõi ai, hãy kiểm tra các kết nối và những điều sau đây của tôi.

4. YouTube

Tôi luôn nói với bạn bè của mình rằng chúng ta cần thực sự biết ơn vì chúng ta đang sống trong một thế giới tồn tại những công cụ như YouTube! Có rất nhiều tài liệu giáo dục trên nền tảng này về bất kỳ chủ đề nào mà bạn có thể nghĩ ra! Nhiều khóa học và podcast tuyệt vời về lĩnh vực ML / DL được chia sẻ trên YouTube. Dưới đây là một số kênh mà tôi theo dõi và học hỏi được nhiều điều từ:

4.a Yannic Kilcher : Yannic tạo ra các video tuyệt vời giải thích các giấy tờ quan trọng trong lĩnh vực ML / DL và gần đây đã chuyển sang đưa tin tức về ML trong các video “ML news” của anh ấy. Tôi đã học được rất nhiều về cách đọc và phê bình các bài báo qua video của anh ấy và anh ấy giải thích các khái niệm khó trong các bài nghiên cứu gần đây nhất một cách rất dễ dàng, đó là một trợ giúp tuyệt vời.

4.b Lex Fridman : Lex tổ chức “Podcast trí tuệ nhân tạo”, một podcast được thực hiện tốt với những khách mời tuyệt vời từ lĩnh vực AI và hơn thế nữa. Ban đầu, podcast chủ yếu tập trung vào AI nhưng gần đây nó bao gồm nhiều chủ đề hơn, từ triết học đến lịch sử và xa hơn nữa là điều đáng kinh ngạc khi nghe. Có rất nhiều bài học cuộc sống trong tất cả các tập phim, ngoài những hiểu biết khoa học mà bạn có được về lĩnh vực này.

4.c 3Blue1Brown : Một kênh giáo dục toán học với sự khác biệt lớn: nó không giống với bất kỳ tài nguyên giáo dục toán học nào khác mà bạn đã xem trong đời! Bản thân môn toán đã thực sự thú vị nhưng kênh này còn khiến nó trở nên thú vị hơn với những hình ảnh đáng kinh ngạc. Được hướng dẫn bởi Grant Sanderson, kênh này cung cấp cho bạn sự hiểu biết trực quan về các chủ đề chính của đại số tuyến tính và giải tích, cả hai đều rất quan trọng để hiểu rõ hơn các ý tưởng cốt lõi của học sâu. Bạn nên kiểm tra nó chắc chắn!

4.d Sentdex : Đây gần như là lối vào của tôi với các video YouTube tập trung vào hướng dẫn lập trình. Harrison Kinsley, người làm video, là một giáo viên giỏi và tạo ra những hướng dẫn thực hành và có giá trị đã giúp tôi bắt đầu với Keras và TensorFlow. Tôi nhớ rất rõ những ngày đó khi tôi đã vượt qua các khóa học mà tôi đã giới thiệu trong các phần trước nhưng tôi vẫn chưa có đủ thực tế để bắt đầu các dự án của riêng mình. Trên thực tế, tôi thậm chí còn không biết cách tải hình ảnh hoặc bất kỳ loại dữ liệu nào từ đĩa vào sổ ghi chép Jupyter của mình, chứ chưa nói đến việc tự đào tạo bất kỳ mô hình nào! Học sâu của anh ấy với danh sách bài hát Keras đã rất hữu ích cho một người như tôi với rất ít kinh nghiệm.

4.e Aladdin Persson : Một kênh tuyệt vời dành cho những ai quan tâm đến việc triển khai các bài nghiên cứu và viết mã mọi thứ từ đầu. Việc triển khai các giấy tờ quan trọng trong học sâu như ResNet, Transformer và multi headention, YOLO,… giúp bạn hiểu sâu hơn về cách thức hoạt động thực tế của các mô hình. Bạn sẽ không thể giỏi học sâu / học máy chỉ với các khóa học! Bạn cần phải làm bẩn tay bằng cách thực hiện các dự án cá nhân của mình, bằng cách thực hiện các giấy tờ và chuyển đổi phép toán của chúng sang mã.

Hãy nhớ rằng không có cách nào nhanh chóng dễ dàng để trở nên thành thạo trong bất kỳ lĩnh vực chuyên môn nào .

5. Giấy tờ với mã số

Như tên cho thấy, bạn có thể tìm thấy cách triển khai mã của các bài báo nghiên cứu trong trang web này, cùng với nhiều thứ khác (bộ dữ liệu, các bài báo tương tự,…). Như đã đề cập trong phần trước, thực hiện các bài nghiên cứu là một bước rất quan trọng trong hành trình học tập của tôi. Tôi sợ các ký hiệu toán học và nghĩ rằng mình sẽ không bao giờ hiểu được chúng :) nhưng tôi đã bắt đầu với các bài đơn giản hơn và bắt bản thân thực hiện chúng từ đầu, với mức đỉnh điểm ít nhất có thể từ các triển khai mã nguồn mở. Lúc đầu, tôi đã bị mắc kẹt (rõ ràng là như vậy) nhưng dần dần tôi đã tìm thấy các mẫu trong cách toán học được chuyển đổi thành mã, trong cách các chỉ số đáng sợ và các ký hiệu toán tổng hợp có thể được chuyển đổi thành các dòng mã PyTorch / NumPy đơn giản. Đó là một trải nghiệm thực sự vui vẻ và tôi muốn bạn cũng trải nghiệm nó.

Trang web này và các triển khai có một nguồn rất tốt để so sánh việc triển khai của bạn với của họ. Đôi khi bạn đã cố gắng hết sức nhưng không biết làm thế nào để tiếp tục triển khai cụ thể hoặc bạn bị mắc kẹt ngay từ đầu vì bạn không hiểu ý tưởng cốt lõi của bài báo. Tôi sẽ đạt đỉnh một chút trong những trường hợp như vậy và sau đó một lần nữa cố gắng thực hiện phần còn lại một mình. Trang web này là một trong những viên ngọc quý giá trong ML của bạn!

6. Giấy tờ kết nối

Khi bạn muốn tìm hiểu thêm về một chủ đề cụ thể, giả sử như Nhiệm vụ phát hiện vật thể hoặc Người máy biến hình, trang web này có thể hữu ích vì nó cung cấp cho bạn những giấy tờ tương tự như tài liệu bạn đang tìm kiếm. Ví dụ: bạn nhập tên “Sự chú ý là tất cả những gì bạn cần” và nó cung cấp cho bạn các tài liệu liên quan có thể giúp bạn hiểu rõ hơn về nền tảng của chủ đề đó và cả các bài báo SOTA trong dòng nghiên cứu đó.

7. Bài đăng trên Blog Radom và Phương tiện

Các bài đăng trên blog cũng quan trọng như các bài nghiên cứu trong cộng đồng ML! Bạn có thể tìm thấy những ý tưởng sáng tạo và xuất sắc trong các bài đăng blog ngẫu nhiên trên internet, những ý tưởng này giúp bạn thực hiện dự án hiện tại hoặc chủ đề bạn muốn tìm hiểu thêm. Tôi nhớ rõ ràng rất nhiều chủ đề, bao gồm cả Attention và Transformers, về những chủ đề mà tôi học được chủ yếu từ các bài đăng trên blog và sau đó là từ các bài báo gốc của họ. Cộng đồng ML / DL thật tuyệt vời và mọi người đều muốn chia sẻ bất cứ điều gì họ biết để giúp đỡ người khác, tôi chưa bao giờ thấy một môi trường tuyệt vời như vậy trong bất kỳ khía cạnh nào khác trong cuộc sống của mình. Tương tác, bình luận trên các bài đăng trên blog, đề nghị trợ giúp, tham gia vào các dự án mã nguồn mở,…; hãy chắc chắn rằng bạn sẽ tiến bộ hơn nhiều theo cách này so với làm việc một mình và xa cộng đồng.

Từ cuối cùng

Bạn đã đi đến cuối phần cuối cùng! Cảm ơn vì đã đọc những bài blog này và ở lại với tôi cho đến cuối cùng :)
Nếu bạn thấy nó hữu ích, xin đừng quên chia sẻ lại nó với những người khác mà bạn biết có thể được hưởng lợi từ những điều này.
Chúc may mắn trên hành trình cá nhân của riêng bạn.

Hãy liên lạc với tôi

Twitter : @MoeinShariatnia

LinkedIn :https://www.linkedin.com/in/moein-shariatnia/

Email : [email protected]

GitHub :https://github.com/moein-shariatnia

Các phần khác của loạt bài này có thể được tìm thấy bằng các liên kết sau: