歡迎來到這個為期30天的AI和機器學習課程。在這系列文章中,我們將從論文閱讀簡單入門,逐步深入了解 Deep Learning 還包含生成式T2I核心概念,所以不只會套用模型,你將學會如何閱讀和理解相關的研究論文,並通過實戰操作,熟悉主流的深度學習框架PyTorch。同時在Github開源碼缺失的情況下,教你如何去解決和補齊資料的問題。
這系列不僅僅是對理論的學習,更重要的是我們將著重於實踐。你將學會如何設置和管理開發環境,並且能夠使用創新思維,改寫和優化整個模型架構。這些在學校課堂上難以接觸到的實用知識,將使你在研究和開發方面如虎添翼。
簡單介紹 Machine Learning 的種類
在開始閱讀此系列前,需要先閱讀 Deep learning 基礎課程: Basics of Neural Networks, Optimization
無論你是剛入門的新手,還是需要更深入了解和實踐的研究生,這個文章都將幫助你建立堅實的基礎,並提升你的實戰能力。準備好開始這段激動人心的學習旅程吧!
這系列只會使用到 Supervised 方法,軟體/環境管理使用 Colab、Conda、Pycharm(不一定)。
Day 0:序章和學習計畫
Day 1:環境搭建與 Colab 入門指南
Day 2:Pytorch訓練流程全解析
Day 3:資料集讀取技巧與最佳實踐
Day 4:資料預處理的關鍵步驟
Day 5:資料擴增技術深入探討
Day 6:如何選擇合適的模型
Day 7:分類模型的基本概念
Day 8:訓練你的第一個AI模型
Day 9:模型評估指標與應用
Day 10:使用Github高效管理專案
Day 11:生成圖像技術概覽
Day 12:Diffusion Model的基本介紹
Day 13:T2I Diffusion Model 論文閱讀
Day 14:ControlNet 論文閱讀
Day 15:T2I Adapter的工作原理
Day 16:如何重現開源AI模型訓練
Day 17:準備與整理Dataset
Day 18:模型訓練後的保存與載入技巧
Day 19:全面評估你的模型表現
Day 20:高效搜尋AI文獻的方法
Day 21:如何修改與優化模型
Day 22:使用API進行數據獲取
Day 23:製作屬於自己的資料集
Day 24:利用生成式AI進行股市分析
Day 25:RAG技術的介紹
Day 26:使用Llama進行RAG建立
Day 27:GraphRAG 論文閱讀
Day 28:在Kaggle上參加競賽與學習
Day 29:學習總結與未來計畫展望
粗體難度為較高