机器学习——总结篇

搞机器学习断断续续的约有一年半的时间了，摸索着学习，真是痛苦，也走了不少冤枉路，因为针对课题一个人考虑的不够全面。有一些小伙伴关注了我， 估计也都是新人，希望大家少走冤枉路。
机器学习的弊端显而易见，如要提取繁杂的特征，对于多特征要进行筛选和求特征权重以求准确率最大化（这中间海涉及到数据降维和特征选择）。中途也搞过一段时间深度学习，深度学习的好处就是只要样本足够大，就能得到你想要的结果，并且避免了传统机器学习繁琐的过程。个人觉得入手的话不如直接深度学习，毕竟机器学习和深度学习对于新人难度差不多。
如果想从机器学习入手的话，推荐炼石成金的培训课，网上有资源。里面有具体的案例，还有你们最喜欢的代码…


链接：https://pan.baidu.com/s/1TCAvRvM0lHFAkmafEbGNrA
提取码：yy8s
这个是资源，供新人学习。个人认为，如果不打算把机器学习部署到嵌入式中的话，花几个月时间消化掉它就行了。如果把它部署到嵌入式中去做具体的工程项目，还是值得花时间去学习的。深度学习以后是趋势，每年几个顶级的国际图形图像处理会议，中国占的比重越来越高，高水平论文量也在提升如CVPR等。
接下来的工作是将图像处理部署到嵌入式中，就是DSP AM5728。应用在具体的工程环境中，如无人驾驶、安检、农产品自动分类（色选机）等。这个难度要比图像处理大得多（无论是机器学习还是深度学习），但也是未来发展的必然趋势，算法不部署到硬件上的话，他的应用性将大大降低。看过几个大佬做的交流项目，惊叹厉害！！！


也有人去用神经棒或者一些高配的GPU，但在工程中是不合理的，只有在高校或者研发岗位给你用。毕竟他们不具备低功耗，多端口、多控制、成本低等优势。有这方面兴趣的小伙伴一起交流，将图像处理部署到嵌入式中。