发布网友 发布时间:2022-04-23 03:15
共5个回答
热心网友 时间:2022-04-28 02:36
1.对于精通PS的设计师来说,AI有很多相似之处,学起来更加容易,如果PS不熟练,可以先买本书阅读下基本的理论知识,了解AI的界面和工具选项栏的作用。推荐电子书和纸质书。
2.大概熟悉之后,在电脑要安装AI软件,打开软件,进行最基本的操作,所谓熟能生巧,多练多看,达到很熟悉的程度。
3.学会使用快捷键,也可以自己设置快捷方式,快捷键可以帮助我们提高工作效率,还有就是掌握一些操作技巧,这些能够提高我们的速度和更加理解工具的应用。
4.简单模仿,看一些简单的素材文件,开始模仿其操作,想像一下要怎么实现操作,应用了哪些工具。
5.自己定义目标,根据创作理念,开始发挥创作性思维,用学到的知识填补画面,设计一副完整的作品。
6.最重要的还是要多看大师们的作品,领悟其精髓,化为已用,多看多思考,形成自己的设计风格。
有兴趣学习设计的朋友,建议点击【下方评论】花30秒测试下自己适不适合做设计师:↓↓↓
热心网友 时间:2022-04-28 03:54
你是要自学的思路么?热心网友 时间:2022-04-28 05:29
学习吗?没有捷径,只有脚踏实地才能学好。热心网友 时间:2022-04-28 07:20
信念+汗水+不耻下问热心网友 时间:2022-04-28 09:28
建议的入门时间安排:
1)每周一、三、五,每晚花两个小时学习、看视频
2)周六、周日每天四小时左右。
3)坚持三个月以上。
4)平时学习侧重看视频、书籍;周末侧重完成课程附带的编程作业、及思考归纳。
关于思考与归纳的几个层次举例:
1)知道理解人工智能这个概念(几乎所有人);
2)知道“机器学习”这个概念(有一部分人);
3)清楚描述“深度学习”、“机器学习”和“神经网络”的关系(一小部分人);
4)能够正确说明“卷积”、“池化”、“梯度下降”这些名词的正确含义与计算/实现的方法(很少一部分人);
5)能清楚地理解损失函数和反向传播的数学表达(非常少的人);
6)能够阐述网络参数的一个修改(比如把卷积核改小)对precision/recall会产生什么影响(极少极少的人);
7)准确描述上述影响到底是什么原理(几乎没有人)。
一) 零基础学习入门课程:
吴恩达的机器学习课程开始: Machine Learning - Stanford University | Coursera
吴恩达的英语又慢又清晰,课程字幕的翻译又到位,课程设置与课中测验及时而又合理,重点清晰、作业方便,再加上吴恩达教授深入浅出的讲解,讲解过程中不时的鼓励和调侃,都能让你更为积极地投入到机器学习的学习之中,让你扎实而快速地掌握机器学习的必备基础知识。
这门在线课程,相当于斯坦福大学CS229的简化版,涵盖内容包括机器学习最基础的知识、概念及其实现,以及最常用的算法(例如PCA、SVM)和模型(全连接神经网络)。学习这门课程,重要的是基础的概念与实现。作为一名具备编程基础的开发人员,在这个阶段要将自身理论同实践相结合的优势发挥出来,充分利用它所提供的编程作业,尽可能多地实践,从理论和代码两个角度去理解课程中的知识点。
二) 夯实基础
回头去看一遍CS229,将传统算法整体熟悉一遍,尽可能把所有的基本概念都掌握扎实。
三) 选择主攻领域并学习
任何人不可能选择计算机视觉(CV)、自然语言处理(NLP)以及其他领域等全部领域学习。在每个领域下,都有大量的研究者在投入精力钻研,发表论文和成果。可选择一到两个方向作为主攻,跟上学术界主流的进展。 在完成了相应领域的学习后,下一步要做的就是尝试阅读最新的经典论文并试图实现。
四) 编程语言与框架
1. 入门编程语言 python
2. 框架
1) pytorch
2) tensorflow
五) 实战常用数据集
1. mnist 手写数字库
每条数据是固定的784个字节,由28x28个灰度像素组成。体积小(10M左右)、数据多(6万张训练图片)、适用范围广(NN/CNN/SVM/KNN都可以拿来跑跑)而闻名天下,其地位相当于机器学习界的Hello World。在LeCun的MNIST官方网站上(yann.lecun.com/exdb/mnist/),还贴有各种模型跑这个数据集的最好成绩,当前的最好得分是CNN的,约为99.7%。由于该数据集非常之小,所以即便是在CPU上,也可以几秒钟就跑完NN的训练,或是几分钟跑完一个简单的CNN模型。
2. CIFAR 图形库
CIFAR数据库(官网:www.cs.toronto.e/~kriz/cifar.html)则是一个图像学习的入门选项。该数据库分为2个版本,CIFAR-10和CIFAR-100。顾名思义,CIFAR-10有10个分类,每个分类有5000张训练图片和1000张测试图片,每张图片是32x32像素的3通道位图。 之所以它比MNIST更适合作为图片处理的入门,是因为它尽管分辨率较低,但却是三通道、真实拍摄的照片。其中有些图片的背景还略微复杂,更贴近我们真实的图片处理场景。相对而言,MNIST的灰度输入和干净背景就显得过于简单,况且99.7%的准确率也确实难有提升的空间。AI学习路线图谱