學習人工智慧的頭四個月
摘要：
讀研之後，我選擇了人工智慧（感覺很酷），導師的方向就是我的方向，所以我可能入坑遷移學習（Transfer Learning，TL）了。導師說，這個方向需要數學和英語。我不懂，在群裡問師兄師姐們，這個暑假要做些什麼，並按照他們給出的建議，結合自己的理解進行學習。現在，經過這四個月的實踐檢驗，我要將我對機器學習（Machine Learning，ML）的粗淺理解整理出來，分享給我即將到來的師弟師妹們，還有剛入門TL的同行。我才不會告訴你我想通過自我總結來提高語言表達和邏輯思維能力呢。
目錄：
1.前兩個月
2.後兩個月
內容：
1.前兩個月
前兩個月是新奇的。
試想一個對人工智慧（Artificial Intelligence，AI）瞭解甚少的人，滿懷憧憬開啟新世界的大門，就像乾燥的海綿，貪婪地想要了解一切相關的知識。
（1）首先，亟待解決的一個問題就是，TL是什麼，在AI中處於怎樣的位置，AI、ML、TL等這些是什麼關係？
當查閱相關資料的時候，又冒出來一大堆名詞，如資料分析（Data Analysis，DA），資料探勘（Data mining，DM），模式識別（Pattern Recognition，PR），神經網路（Neural Network，NN），深度學習（Deep Learning，DL）等等。
OK，這些東西你要自己去查一查，我到現在也不能準確地說出他們的區別，這並不影響我們學習TL。
（2）接下來，如何入門TL？
我選擇先入門ML。【1】【2】是較好的工具書，可以通覽一遍，以後遇到特定的問題再回頭查閱（其實就是看不懂）。【4】適合想要鍛鍊動手能力的同學，可以配合【6】【7】一起看喲，我就是屬於看過6,7看不懂4的人。【5】是我認為最好ML入門視訊，還能練練英語聽力。如果你看完了這些，那麼就對ML有了巨集觀上的認識，成功地邁開了第一步，不，一大步。
再入門TL。先看【3】再看【8】，你問我為什麼？先看中文再看外文啊，以後遇到新的課題也是如此，先看中文綜述，再看外文綜述。又，我為啥不停地寫英文簡寫呢，當然是強化記憶咯。
#參考文獻
1.《機器學習》周志華
2.《統計學習方法》李航
3.《遷移學習簡明手冊》王晉東
4.《機器學習實戰》
5.“吳恩達機器學習”網易雲課堂
6.“sklearn極簡教程”網易雲課堂
7.“Python3教程”廖雪峰
8. <A Survey on Transfer Learning>
2.後兩個月
後兩個月我來到了學校，好像開始步入正軌。
在前兩個月的學習中遺留了不少問題，比如數學公式看不懂，英語資料閱讀慢，程式設計能力弱，甚至程式碼都看不懂，怎麼辦？看到DL很火，想了解一下怎麼辦？
於是，DL入門可以看一下【3】，Python入門可以看一下【1】，後面3個專案大致看一下是什麼，需要用到再回頭練吧，沒事做可以看看【2】放鬆一下，還能開拓視野。
上面說的這些都看完了，會也不會，就是覺得沒事做，空虛、迷茫怎麼辦？我選擇看一篇論文，最好是你感興趣的方向的大牛寫的，我選擇我的導師的論文【4】，遇到不會的就查閱之前看過的資料，或者科學上網，厚臉皮問。從理論、公式到程式碼實現（程式碼還沒要到）。
再後來，導師發來四篇字典學習（Dictionary Learning）相關論文【5】【6】【7】【8】。說實話很開心，首先方向似乎變“窄”了，更有針對性，其次是導師感興趣的方向，遇到問題可以“無障礙”請教（如果自己選了感興趣的方向，導師又不瞭解的話，可能科研會比較難）。
最後推薦SumatraPDF閱讀器和金山詞霸2016自動劃譯，科學閱讀外文文獻哦，拜拜。
#參考文獻
1.《Python程式設計從入門到實踐》袁國忠譯
2.《浪潮之巔》吳軍
3.“深度學習工程師”網易雲課堂.微專業.吳恩達
4. <Transfer learning with partial related “instance-feature” knowledge>
5. <Inferring Painting Style with Multi-task Dictionary Learning>
6. <Multi-Paced Dictionary Learning for Cross-Domain Retrieval and Recognition>
7. <Multi-target Unsupervised Domain Adaptation without Exactly Shared Categories>
8. <Multi-task Dictionary Learning based Convolutional Neural Network for Computer aided Diagnosis with Longitudinal Images>