【AI】人工智能学习开山唠嗑篇(01)

     讲个故事：很久很久以前，天和地还没有分开，宇宙混沌一片。有个叫盘古的巨人，在这个混沌的宇宙之中，他睡了一万八千年。有一天，盘古突然醒了。他见周围一片漆黑，他就抡起大斧头，朝眼前的黑暗猛劈...

      盘古的天地劈开了，你们人工智能AI的天地也是时候打开了，啥时候打开，就看你啥时候醒。

     以下言论，大家挑重点的看，属于一家之言，有对有错，但是对初学者来说，确实是字字箴言：

1、使用pycharm开发，好用，没毛病。

2、有些而没必要看，有些已经过时了，没必要每个都看，浪费时间

3、不熟悉python，只要把python入门看完，掌握好，pandas、

pandas，matplotlib，Seaborn等用到了就学，工具用到了就学，要不然会消灭你的3个月激情学习热情，3天搞定python基础

4、数学，看多了也是要忘记的，不看也行用到了再研究，更不要钻牛角尖

基础，不要花太多时间，差不多就行了，先把流程串起来

5、机器学习算法，是深度学习的基础，但是这个也差不多过时了，算法贼多，全部掌握，几个月都搞不完，其实这个就是基本功，也不用面面俱到，如果要面试，面前前把这些过一遍，刷题就足以。面试、笔试用用，其他没啥用

6、数据挖掘，结构化数据可以用用，研究复习下，结构化数据处理，传统任务建模，需要用，一般也不用，这个也是很基础的，场景化的技术。

7、量化交易，金融专业背景知识很复杂，有点难度，不是这个方向的，研究起来是需要点时间的。

8、机器学习，再发论文，已经没有什么空间了，深度学习论文容易发表、项目也容易做

9、计算机视觉，1）需要掌握传统神经网络等经典算法、CNN等核心基础算法，要很熟练，需要多过几遍，熟练于心；

10、Pytorch、TF功能都差不多，选一个掌握，都是一样的，模型的部署、应用，都可以脱离这些框架，最简单的还是Pytorch，百度等框架不建议用，可以查的资料太少了。好好掌握Pytorch，是核心工具，每个代码、模块都要熟练掌握。

11、OpenCV，不建议花很多时间，了解就可以，会掉包就完事了，有影响就可以。读数据、取数据、画图，就这些方法常用。用到了再查、在看；一周内搞定，工具，不是重点学习和掌握的。

12、AI论文实验，基础算法、框架、MMLAB实战系列，工具怎么用，怎么搞论文，怎么搞研究，做实验，该系列可以快速上手论文，学会改源码，环境、配置、模型配置等等：分类任务、分割（很多）、检测（很多）、
13、物体检测是必须要上手的，不是最简单，也有点难度，最核心、最有价值，YOLO经常用，必须掌握。

14、GitHub是很有用滴，OpenMMlab快速做实验，可呈现模型，非常好用，后面会是CV用的比较多的工具；基于Pytorch，很多人划大量的时间配置环境，所以用好OpenMMlab。工程师、学术研究都需要学习，工程师必须具备检索能力很强、配置环境能力强、活学活用，不在乎你的数学咋样，工程就是用工具牛逼，封装很多算法，工作、学术都好用。

15、业内每个月都有新算法，OpenMMlab更新的会比较及时，很大的一个团队在维护，YOLO是检测的王者算法。

16、图像分割，很多坑躺一变，就起来了，面向百度学习，面向github学习

17、关于GPU：建议使用一个GPU服务器，CPU只能学习，但是效率低，还是要准备一些CPU资源。

18、配置成本，GPU，建议1060G以上，12G，24G，目前是多机多卡时代，结果要好，batch调到最大，必定好。复现完之后，batch大，机器配置高，效率就提上去了，显存是第一要务。

19、系统的选择：Windows和Linux,有几个必须要Linux,有些模块涉及编译的内容，Windows不太适合，如行为识别，很多项目配置会比较复杂。

21、3D点云，原来是玩2D的，新内容，挺有意思，以往都是做点YOLO、UNET、deeplap之类的，但是3D点云会让人耳目一新，多模态、和图像数据融合，比较热门。3D点云方向：点云、三维重建、6D位姿势，但是需要GPU卡，要不然够呛。

22、下载数据集、API文档之类的，有时候会需要翻翻墙.....

23、关注一个领域，实际是不够的，很多时候，领域质检也是融合的、交叉的，所以多研究几个领域，有害无益；

24、Transformer，是否出成果取决于你的硬件，但凡一个写论文的都去写Transformer。需要大量的数据，边用边学。

25、要学会Debug调试源码，这个很重要，学习研究论文都非常重要。读论文，先把知网给关了，看论文只看顶会、源码论文，没有源码，根本就了解不了。CVPR、AAAI之类的多看点，知网少看。

26、图神经网络，需要大家去熟悉，不是必须看的，目前落地项目不多，偏研究；搞项目的不需要过多尝试，工程项目领域目前还是CNN这套主流。很多任务都带有关系，一旦带有关系，图就可以试试

27、点云，成本比较高，比较前沿，没法普及，落地项目较少，很牛逼的学校和实验室才有条件，了解即可。目前落地项目还是以图像为主，激光雷达做的还不多。3D的点，x,y,z等点生成图像

28、目标追踪、姿态估计，可以熟悉，也是挺经典的，但是相对检测、分割，使用场景稍微少点，熟悉即可。

29、面向深度学习的无人驾驶，深度估计、车道检测、轨迹预测等，练手为主，增加项目经验的代码

30、缺陷检测，了解即可，OPENCV ,YOLO5

31、行人重识别实战，REID，纯粹发论文的领域，研究领域很多，数据集简单，分类任务，数据集很好做，出研究的方向。行人识别，定位到人，如公安在摄像头中做快速定位，行为识别，是识别人在干啥的，这个项目挺多的。

32、对抗生成网络，这个就是玩的，落地项目不多，挺好玩的算法，如对视频，StyleGan、BasicVSR++，抖音里面很多好玩的，可以用这个做

33、强化学习，有点劝退，最后学把，有精力再学，对数学要求很高，全都是数学，一般人看到会很糟心，学习成本高，但是落地项目差，谷歌有个强化学习团队，投入很多钱还是玩游戏。数学不好的，建议不要拿强化学习做论文，对数学功底要求很高，要刷论文，门槛高

34、医学领域，就是很多算法套到医学领域做应用

35、深度学习模型部署和简直有话，硬件部署可以找专业的人，企业应用会比较多，硬件的也；C++的东西也是劝退你们学习的玩意，可以最后关注和学习他

36、自然语言处理，NLP，BERT，NER改变源码很费劲，封装较好的transformer；Hugging Face用的比较多；16年Fster-rcnn就好牛逼，现在学会也才是个小白，模型已经上不去了，只能从数据入手。

37、知识图谱，了解熟悉就可以，这东西也不难，就是个图数据库而已，熟悉过一遍就可以

38、语音识别，了解熟悉过程，知道是那么回事就可以

39、读论文：论文读一遍，看个大概，然后对着源码去分析、看论文