準研一，導師讓學習python與keras tensorflow，是否先學習機器學習？

1樓：廣東沙麵

這個要看你研究的層次。

如果要做演算法的研究，那自然得學習機器學習的理論，不能停留在應用商業軟體上。

但是碩士生普遍不會做很理論的課題，大部分的課題就是工業應用，解決生產需求，用Keras比自己研究機器學習做出來的效果強上幾千倍了，畢竟這種框架可是幾千人集體貢獻的成果。

所以，多去看看應用案例，比學習理論更有價值一些，畢竟，以大大多數人的能力，還是超越不了tensroflow的。

不搞研究的話，大部分的人都是面向工資程式設計，操作步驟是，Github，stackoverflow能解決的直接用，解決不了的看看Keras，Keras解決不了的再看Tensorflow，Tensorflow還解決不了的，直接推掉。

2樓：whu6

如果有較好的數學基礎的話，可以學習一下python的基本語法。有一些其他程式語言的技術的的話，python其實上手是非常快的。這裡我推薦慕課上嵩天老師的課程。

然後可以看吳恩達的機器學習系列課程了。一些傳統的機器學習演算法是非常重要的，特別是一些思想的應用。如果系統學習的話，還是有必要學習一些傳統的機器學習理論的。

另外一些數學推導過程要盡可能的自己推導。之後學習神經網路網路和一些深度學習的框架就比較容易了，而且應用起來會比較輕鬆。

3樓：AI大鵬說

作為初學者，準研一的學生，我強烈建議作者先找一本機器學習的書籍來學習基本的機器學習模型和演算法，之後再進行深度學習的學習，或者學習ML的同時開始DL的學習。

…………………我是分割線

為什麼我建議作者先系統學習機器學習呢，主要是以下幾個原因：

1，現在作者作為初學者，才準研一，有大把的時間進行進行入門學習。系統的學習基礎知識對未來職業發展大有裨益。

2，你會發現隨著科研的深入，你越來越忙，以至於抽不出這麼完整的時間來學習基礎，只有需要再去補，學的就沒有那麼系統了。

3，先學先忘，再學不難。

4樓：Curry

經典的機器學習演算法不說非要手推公式，但也要能說出來核心關鍵點。Python作為機器學習與深度學習的工具，基礎的庫還是要首先掌握的，如numpy pandas matplotlib scipy 等等，目前tf2.0將keras整合到了一起，建議直接看tf2.

0，如果以後方向是深度學習，建議pytorch也要掌握。目前來看tf和pytorch這兩個框架就夠了。

5樓：才學會飛行

先學python ，會了再看你自己想法，tensorflow 跟機器學習經典演算法是兩條不一樣的路子，但都要先會python。後面怎麼走，時間夠的話，建議你機器學習經典演算法入手，逃不掉的。

6樓：卡西法

有的放矢得學習最好。看看你導師研究什麼，資料型別適合什麼機器學習方法。

資料量小且無監督——》聚類和pca等。

監督學習，資料量比較小，資料標量多，都是categorical的資料——》svm隨機森林 adaboost xgboost。

資料量比較大——》深度學習

這裡就比較複雜了，要根據輸入輸出標籤，自行分析看什麼了。

影象：分類分割還是目標檢測例項檢測 GAN等自然語言處理：機器翻譯情感分析等（核心是多對多、多對單、還是單對多）動作根據規則改變環境：RL

這裡我推薦看BERT faster-RCNN YOLO Inception-resnet

產品化就要的話，要看看輕量級模型了，模型剪枝了解一下，要看一下推理加速，要研究一下模型和資料加密，C++要會耍，分布式計算了解一下。

7樓：FyF夢存於我心

一定要按這個順序(別問我為什麼這麼篤定，因為番茄汁的教訓)第一步:Python與機器學習並進，Python課入門推薦嵩天老師的MOOC，很經典，機器學習就用周志華老師的

第二步:入門深度學習，各種框架，庫，容器的環境配置要熟練掌握。

第三步:你說的框架都是深度學習的框架，首先要對深度學習有個概念，吳恩達的深度學習課程非常好(我覺得是業界最好……別打我)

第四步:上手實踐，使用框架，學習框架，tf，torch等等第五步:遨遊深度學習世界～

碼字不易，關注+贊同[呲牙]