CSDN攻克机器学习硕士学位，我的那些年与必备技能！

编者按：人工智能发展日趋成熟，也成为众多开发者职业生涯的首选方向。然而相较于其他领域，人工智能中的深度学习、机器学习、计算视觉、神经网络等技术更为错综复杂，进修难度也更胜一筹。对此，对于入门和想要进阶的学生及开发者群体，该如何攻克？在本文中，来自英国萨里大学机器学习与计算机视觉专业硕士Richmond Alake将从自身学业历程出发，分享一下其在读机器学习硕士的收获，以及相关的经验与课程，希望能帮助大家有所收获。

本文插图
作者 | Richmond Alake ，已获作者翻译授权译者 |鹿未来，责编 | 屠敏头图 | CSDN 下载自东方 IC 出品 | CSDN（ID：CSDNnews）以下为译文：
其实，每所大学的课程不会有太大差异。所以，大家可以从本文了解机器学习和计算机视觉理学硕士的一些内容。除了在学习期间获得的东西之外，我还会分享更多学术知识，以及作为一名计算机视觉工程师职位相关的其他信息。
攻读机器学习硕士需要具备哪些必备技能？
研究生期间都会做一些选题，这些课题主要是反映机器学习领域的未来一些发展方向。而且机器学习的每个课程里都涵盖了很多内容。因此，我在修读MSc（Master of Science）学位需要确保在学习这些课程之前，还需要具备以下前提条件：

理解线性代数和微积分（微分/优化）
了解统计和概率研究
具有编程语言背景
拥有计算机科学、数学、物理或电子与机械工程专业学士学位

接下来介绍一下，我在读机器学习硕士时学到的关键内容：
计算机视觉
从我比较强项的课程模块说起，计算机视觉和深度学习研究是我真正非常感兴趣的机器学习领域，或者说是开发技术能直接产生实际影响，这点着实吸引了我。
近几十年来，媒体极大赞赏了计算机视觉取得的进步。如，面部识别系统的出现就非常重要，因为在国际机场、银行和政府组织等重要场景中，面部识别系统几乎无处不在。
我在硕士学业生涯中，对计算机视觉的学习研究比较有条理，我认为一开始不能直接进入实践和分析最新技术阶段，而是应该从了解基本图像处理技术开始，这样才能真正使用计算机视觉这一高级技术。
在深度学习中，想要了解卷积神经网络的底层，要从输入图像（例如线条和边缘）学习。不过，在卷积神经网络（CNN）引入计算机视觉之前就有基于启发式的技术可用于检测特征图上的目标并从图像中提取特征。我的计算机视觉研究就是通过这一系列基于启发式技术的工作原理，学以致用，才让我对该该领域基础有了理解。
计算机视觉研究为我提供了传统机器学习技术的知识，还有处理图像的技能，比如提取特征并对从图像中获得的描述符进行分类等。
接下来，分享一下我在研究生期间用到的一些议题和术语，好奇的小伙伴可以看一下：

SIFT(Scale Invariant Feature Transform)：这是一种计算机视觉技术，用于生成图像关键点描述符（特征向量）。生成的描述符包含有关特征的信息，例如边缘、拐角和斑点。描述符可用于检测跨越不同比例和失真的图像的对象。 SIFT用于诸如对象识别、手势识别和跟踪之类的应用程序中。 SIFT的关键在于，其检测到的特征对于仿射变换（例如缩放，平移和旋转）是不变的。
HOG(Histogram of Orientated Gradients)：这是一种用于从图像中提取特征的技术。提取的特征是通过图像中的边缘和拐角提供的信息中得出的，更具体地说，是图像中的对象提供的。简而言之，该技术可以识别图像中的边缘（渐变）、角和线的位置，并且还可以获取有关边缘方向的信息。 HOG描述符生成一个直方图，其中包含有关边缘分布的信息和从图像中检测到的方向信息。该技术可以在计算机视觉应用程序以及图像处理中找到。
- 上一页
- 1
- 2
- 3
- 4
- 下一页