Jak zacząć przygodę ze sztuczną inteligencją? Machine Learning / Neural Networks / Artificial Intelligence

1. Przejrzeć darmowe informacje w sieci

• blogi
• youtube
• medium.com

Najciekawsze źródła:

• Snagging Parking Spaces with Mask R-CNN and Python
• Intuitively Understanding Convolutions for Deep Learning
• Watch Me Build!
• Faster R-CNN (object detection) implemented by Keras for custom data from Google’s Open Images Dataset V4
• Splash of Color: Instance Segmentation with Mask R-CNN and TensorFlow
• How To Train an Object Detection Classifier for Multiple Objects Using TensorFlow (GPU) on Windows 10

2. Wybrać (płatny) kurs uczenia maszynowego oraz sieci neuronowych

• Taki, który będzie zawierał podstawy Pythona, lub poduczyć się z darmowego kursu
• Machine Learning, Data Science and Deep Learning with Python

3. Przerobić ćwiczenia z kursu oraz porobić notatki

Notatki na kartce

Notatki w kodzie

4. Przejrzeć raz jeszcze Youtube oraz blogi z już poszerzoną wiedzą

Kanał: sentdex

• Deep Learning basics with Python, TensorFlow and Keras
• Machine Learning with Python

5. Wybrać zagadnienie, problem który chcemy rozwiązać za pomocą ML czy NN

• Sign Languaga Digits Dataset

6. Wybrać narzędzie

• dla prostych skryptów, które nie będą wymagać dużych obliczeń wybrać Jupiter
• dla bardziej zaawansowanych skryptów wybrać IDE, np. Visual Studio Code

7. Uruchomienie skryptów

• za pomocą swojej maszyny przy użyciu CPU
• za pomocą swojej maszyny przy użyciu GPU - nvidia
• za pomocą serwisu kaggle
• za pomocą serwisu colab od google

Porównanie kaggle vs colab

8. Kupno książek

• Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow   [mirror]
• Deep Learning. Praca z językiem Python i biblioteką Keras   [mirror]

9. Co dalej?

• Testowanie bardziej zaawansowanych algorytmów, np. Mask_RCNN, YOLO
• Model rozponający: kamień, nożyce, papier
• Serwis rozponający błędny wydruk druku 3D savemyprint.com