前言12月学习记录
2017年最后一个月开始学习AI方面的基础知识，大约三周的时间，这里先对这三周的情况做一个总结。
考虑到毕竟不是要做工程师，学习底层的编程实现流程相对优先级不高，产品经理应该更加注重的是技术的边界与对应产品的落地形态。因此我没有像大学时那样从最基础的内容开始，比如算法、神经网络框架这些，而是从落地应用以及底层技术着手，比如NLP的基本流程和一些市面应用的分析等。
本来预期的学习渠道主要为@黄钊hanniman的饭团、AI相关的公众号、集智景略社区这几种，此外打算阅读相关的书籍。原计划年前看完《科学的极致》，不过实际情况多变，只看完了一半。网上很多人推荐观看coursera上吴恩达教授的机器学习课程，我看了两节课，如前面所言，感觉初阶段先不用了解机器学习过于深入的内容，对一些基础概念了解即可，后续再深入学习。
根据实践来看，能够做到每天看几篇饭团的历史文章并做一些笔记；集智景略社区的学习偏底层算法，刚开始学习起来进度比较慢，没有太多头绪；公众号基本上没有去看，这点我很困惑，有几个公众号的内容还是很高的，但总是忘记或者没有时间去看，接下来要想办法利用好这个资源。
此外发现了几个比较好的博客，lstChen的简书、技术栈、Ray's Coding Island、zchang81的博客，可以作为知识的补充，而且我发现CSDN里很多的博客对一些应用技术的流程叙述十分详细，值得发掘。
总结一下，这三个星期下来，基本能够理解AI行业的一些基本概念和常见技术的实现流程，比如自然语言处理（NLP）的流程、其行业难点、落地应用、AI技术的垂直应用场景、AI产品经理的类型。算法框架方面，知道常见的深度学习框架类型，了解一些常见的算法。
第一周（1.1-1.7）学习记录
新年首周元旦节假日加上请假占掉几天，原定的学习计划没有如期进行。《科学的极致》看了10%左右，最晚下周要看完。
本周在mac上搭建了tensorflow的框架，打算下周套网上的代码实现一个简单的模型出来。
决定针对某个细分领域开始钻研，在自然语言处理和计算机视觉中间选择了后者，一方面是手机上这方面的app体验过比较多，所以直观上应该比较好理解。看了计算机视觉方面的内容后，整体上有了一个了解，计算机视觉、机器视觉和图像处理的关系，卷积神经网络CNN和循环神经网络RNN所适用的应用类型，图像分类、图像检测Image Detection、图像分割Image Segmentation、图像描述（图说）Image Captioning、图像问答Image Question Answering、图像生成Image Generation、图像检索Content-based Image Retrieval、图像分类与定位（Classification + Localization）等技术的基本概念。
下周计划：对计算机视觉某一具体技术从底层到应用弄懂，并找到一个对应的行业应用，看完《科学的极致》。
网友评论