材料分享 | 设计师如何自学人工智能？有哪些推荐的优质教程与有趣的线上平台？
随着人工智能的飞速发展与机器学习应用范围的提升，设计作为实时跟进前端技术的应用学科，也在尝试各类型的神经网络在解决问题中的质量与效率的提高。“零基础自学人工智能真的可行吗？”，“是否需要很强的数学背景？”“有哪些学习资料的推荐? ”本期小编总结了大家时常感到疑惑的几个问题，并整理了高质量的学习平台，相关教程，以及一些有趣的平台可供大家查看。
1. 机器学习的线上平台与实用工具
2. 常见问题答疑：数学知识？计算机基础？
3. 机器学习入门自学课程（理论+程序实践）
4. 推荐阅读材料
文章全文4800字，阅读时间12分钟
艺术风格迁移 | Video Style Transfer
自动生成平面图 | Architectural Floor Plan Generation
自动生成城市街区 | Urban Plan Generation
机器学习的相关平台与设计工具
在进入具体的教程推荐之前，让我们先来一起看看，设计领域在机器学习方面的应用，目前都有哪些操作方便的线上平台与相关工具。（由需要一定的程序阅读能力，至无障碍的交互体验）
推荐平台1: Modle Zoo
预训练模型库
官方链接：https://modelzoo.co/
ModleZoo的官方平台截图
除了我们常用到的Github，Model Zoo为深度学习的兴趣爱好者与研究人员提供了一个分享与学习的平台，用户可以根据不同的效果需求，通过平台找到各种python库（TensorFlow，Caffe，Caffe2，PyTorch,MXNet,Keras, Chainer）下的预训练的模型以应用，主要领域包括：计算机视觉，自然语言处理，生成式模型，强化学习和无监督学习。同时，除了可以直接下载预先训练好的模型，平台也会配有操作讲解与使用时的常见问题。对于物体识别，动态评估和分割问题Model Zoo也做了相关代码的整理。
ModleZoo中的部分训练模型
推荐平台2: Runway ML
线上运行 + 预训练模型库
官方链接：https://runwayml.com/
Runway ML的官方平台截图
和Model Zoo比较相像的还有Runway，同样也是一个分享性的平台，可以下载预先训练好的模型。Runway也可以下载安装电脑软件程序后之后，挑选合适的模型，用线上Runway workplace直接运行查看训练效果，相比Modle Zoo对程序背景的要求，适合用于机器学入门设计师和艺术家的初步创作过程。对于深入改写程序，Runway也有对应Github的链接，可以进一步研究。
Runway ML训练模型
Runway的主要模型包括图片生成、动作捕捉、自然语言处理、物体识别、自动渲染与设计等，其中图像生成类训练迅速且有很高的效果。在设计方面，小编也试了试一些StyleGAN的程序生成效果，如Deep Textures（渲染材料生成）Machine Learning Font (自动生成字体)，只需要点选图形化界面，操作参数滚条，上传图片，就可以完成一个模型的训练与调试，非常简便易上手。不少分享者也会讲解模型训练的过程，尝试和学习起来非常高效，以下是一些训练的效果。（如果对于风格迁移感兴趣，也可以阅读我们之前的干货文：学术干货 | 人工智能风格迁移 Style Transfer的建筑应用工具与程序汇总）
渲染材质的自动生成 | Deep Texture — StyleGAN
相关链接：https://www.cunicode.com/works/deep-textures
字体设计的自动生成 | Machine Learning Font — StyleGAN
相关链接：http://www.machinelearningfont.com/#typetester
产品设计的自动生成 | FromFran ML Product Design — StyleGAN
相关链接：https://www.fromfran.com/blog/2020/3/30/case-study-part-1
Runway ML Unity & PS插件
推荐平台3: Google - Experiment with AI
实时交互 + 设计大全 + 线上运行 + 预训练模型库
官方链接：https://experiments.withgoogle.com/collection/ai
Experiment with AI不同领域的设计项目
Experiment with AI的涉及领域非常广泛，以交互体验为主，研究讨论了AI在生活，艺术与设计各方面的影响可能与现有的全球创新方案。有主要14个应用范围，由Digital Wellbeing用户的身心健康, 至Art & Cultures艺术与不同人群与不同文化的变化，再至 AR and Voice Experiment增强现实，音乐实验的交互实验，也包含Android中的应用软件，对其机器人的操控等等。
Experiment with AI的线上交互程序
Experiment with AI 与Runway类似，collection中的程序大多可以选择“Launch Experiment”开始直接体验程序的交互过程或由用户输入参数得到程序的实验效果，也可以由“overview”中查看相应的代码与训练过程，操作简易，且适用的年龄范围广泛。
推荐设计小工具1: Auto Draw
自动绘图
官方链接：https://www.autodraw.com/
对于不擅于绘图的人来说，在纸面上画出复杂的实体物时常会伴随着困难，由Google推出的AutoDraw则能在一定程度上解决这些问题。Autodraw中有两种笔刷，一种是平滑笔刷，能将我们用鼠标画的歪扭的线平滑连续起来，起到一定的美化效果。第二种是预测笔刷，类似我们熟悉的“AI版你画我猜”，平台程序通过大量图像的训练，通过用户的比划，机器能给出相似的预测图像可供直接选择，提高了绘画的质量与效率。
小编在AutoDraw中的尝试
推荐设计小工具2: Adobe Sensei
AE + PS自动填图
官方链接：https://www.adobe.com/sensei.html#data-analysts
Adobe Sensei的官方网站截图
Adobe Sensei利用了机器学习和深度学习技术，在计算机视觉领域创造许多设计领域中实用的黑科技，Sensei提出比较主要的是，AE中的自动填图视频，以及PS中的自动填色功能。如以下的范例，在运动的视频中可扣去图像，并且以背景，在制作服装手绘时，只需要调节人体关节的摆放位置，PS就能自动生成更换姿势对应的手绘效果。
AE的视频自动扣图
PS的图像自动生成
推荐设计小工具3: Unit Program & Planning
自动生成空间平面图
官方链接：http://stanislaschaillou.com/thesis/GAN/unit_program/
Stanislas Chaillou的Unit Program操作过程
建筑领域常用的GAN，近期在平面图生成上非常火热（室内平面图，更是规划的平面俯视图等），主要应用于初步的功能分区。通过大量标签好的平面图数据用以训练，以将色块与功能对应，以预测用户所画的色块所能生成的平面图效果。Stanislas Chaillou关注于室内的功能分区，用户画入室内空间的范围，选定窗户与门的位置与数量，则可自动生成带有厨房，卧室，客厅颜色分区的平面图。类似的还有华南理工大学，设计未来实验室所推出的“AI小学校园布局生成助手”也同样用到GAN。用户通过绘制的周边道路位置，等级与形状，以及用地的面积与形状， 即可生成初步的小学规划图，以便与设计师的二次设计。
设计未来实验室的规划生成过程
“零基础自学人工智能真的可行吗？”，“是否需要很强的数学背景？没有学过高数怎么办”，“需要什么水平的编程能力？”，“掌握机器学习需要学会几门程序语言？”….
常见问题答疑：数学知识？计算机基础？
数学不好怎么办？会不会影响到对人工智能的学习？
A:
学习人工智能对数学的要求不高，需要一些数学基础的，以及对于算法的理解能力。人工智能对于设计师，主要是应用，对于开源且成熟的程序，我们主要是在现有框架上的修改。对于数学背景知识比较薄弱的，可以适当补充一些函数和概率论上的知识，不用太过担心。
编程小白是否该怎么办？需要学几种语言才可以上手AI？
A:
人工智能作为计算机下的领域，因此对于程序的阅读能力是必须，且需要掌握一定的计算机专业知识，如能够书写基本的循环、判断结构。对于学习的程序语言种类，需要至少学会一种，如Python（为主）／C#／C++等。
是否有推荐的教程或者相关的书籍可以学习的？
A:
那我们再来一起看看，我们有哪些优质的教程与学习平台，可以帮助我们自学人工智能与其相关的应用（总结自TechArt 博士导师们的推荐）。
机器学习入门自学教程（理论+程序实践）
理论方面的推荐教程
教程平台：https://study.163.com/course/courseMain.htm?courseId=1004570029
线上课程的部分截图
吴恩达是人工智能和机器学习领域国际上的知名学者之一，本课程对机器学习，数据挖掘和统计模式识别进行了广泛且系统性的介绍。内容包括：1. 有监督的学习，如参数/非参数算法，支持向量机，内核，神经网络。2. 无监督学习，如聚类，降维，推荐系统，深度学习。3. 机器学习的最佳实践，如偏差/方差理论；机器学习和AI的创新过程。本课程还将借鉴关于构建智能机器人的感知与控制，文本也同样帮助学生理解如网络搜索，反垃圾邮件，计算机视觉，医学信息学，音频，数据库挖掘等领域的大量案例研究和应用。
部分课程内容
Convolutional Neural Networks for Visual Recognition
用于视觉识别的卷积神经网络
官方教程：http://cs231n.stanford.edu/
斯坦福官方课程网站截图
课程课件：
https://www.youtube.com/playlist?list=PLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC
官方笔记：https://cs231n.github.io/
课程课件与内容
计算机视觉已经变得无处不在，其应用包括搜索，图像理解，应用，地图，医学，无人机和自动驾驶汽车。这些应用程序的许多核心是视觉识别任务，例如图像分类，定位和检测。深度学习的方法在最新的发展中提高了这些最新的视觉识别系统的性能。本课程深入学习了深度学习的架构与细节，重点是学习这些任务的端到端模型，尤其是图像分类。为期10周的课程中将学习实现，训练和调试自己的神经网络，并获得对计算机视觉前沿研究的详细了解。其重点将讲授如何设置图像识别问题，学习算法，用于训练和微调网络的实用工程技巧。
（整理自课程官网介绍）
更多相关学习教程与讲座：
【公开课】麻省理工学院公开课：人工智能（中英字幕）
教程链接：https://www.bilibili.com/video/BV18W411B7og?p=13，
MIT公开课课程截图
深度强化学习，David Silver 和Google DeepMind的相关讲座：
https://www.youtube.com/watch?v=EX1CIVVkWdE
https://www.youtube.com/watch?v=zXa6UFLQCtg
https://www.youtube.com/watch?v=qLaDWKd61Ig
http://videolectures.net/rldm2015_silver_reinforcement_learning/
更多coursera平台上的各校相关教程：
官方链接：https://www.coursera.org/
coursea课程网站的截图
程序实践方面的推荐教程
推荐平台1: 莫烦Python
平台链接：https://morvanzhou.github.io/
bilibili链接：https://space.bilibili.com/243821484#!/
莫烦Python的官方网站截图
莫烦Python的平台材料丰富、优质且全面，由零基础入门至应用进阶都有很详细的讲解。分享者也为刚入门的学习者提供了推荐的学习顺序和对应每个学习步骤的具体教程讲解，每部分的视频都很比较精炼，对于迅速掌握基础的使用方法很有帮助。
莫烦Python分享者的推荐学习顺序
内容既涵盖概念与方法，也有带领的应用实战练习，主要有四部分学习内容：1）机器学习部分：什么是机器学习，相关算法与神经网络的讲解（包括Tensorflow, PyTorch, Keras, SciKit-Learn等），计算机视觉的背景知识，强化学习机器人手臂与汽车状态分离器的时机操作步骤讲解。2）Python基础部分：多进程，多线程，thinker窗口的讲解。3）数据处理部分：其中也包括对于Numpy & Pandas, Matplotlib, 以及网页爬虫的技巧与方法。4）相关工具部分，涵盖了代码学习的必备工具. 比如 Git和一个手把手教你高效管理代码或者文本文件版本的教程。
推荐平台2: Github机器学习完整学习库
“Awesome Machine Learning”
平台链接：https://github.com/josephmisiti/awesome-machine-learning
在Awesome Machine Learning的库中，整理了机器学习所有程序语言（APL，C，C++，Ruby，Python，Java…）下所会应用到的大部分领域与功能。如Python下的Computer Vision，Natural Language Processing，General-Purpose Machine Learning，Data Analysis / Data Visualization，Misc Scripts / iPython Notebooks / Codebases，Neural Networks，Kaggle Competition Source Code，Reinforcement Learning都有细分的对应的相关推荐软件教程链接可以查看，以及公开的数据集，或者是开源的学习与练习程序，丰富且系统。
Github官方课程网站截图
机器学习常用语言：Python
Python库：
Keras
由Python编写的开源人工神经网络库，可以在Tensorflow、Microsoft-CNTK和Theano上运作，进行深度学习模型的设计、调试、评估、应用和可视化。
相关教程推荐：
（选自莫烦python教程）
https://www.bilibili.com/video/BV1TW411Y7HU?from=search&seid=1033160651835372327
TensorFlow
基于数据流编程的符号数学系统，被广泛应用于各类机器学习，算法的编程实现。
相关教程推荐：
（选自莫烦python教程）
https://www.bilibili.com/video/BV1Lx411j7ws?from=search&seid=2614602433264059206
PyTorch
开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。
相关教程推荐：
（选自莫烦python教程）
https://www.bilibili.com/video/BV1Vx411j7kT?from=search&seid=3136508701358141591
（其他相关数据处理库：Numpy，Matplotlib，Pandas，sklearn，OpenCV）
推荐阅读材料
“Python 机器学习”（Pythom Machine Learning）
作者：Sebastian Raschka
阅读难度：入门
本书有很高的质量，知名度与实用性，主要运用了 Scikit-Learn 和 TensorFlow，分别讲解了机器学习和深度学习的相关知识，并在各章节配备实操的代码以练习，同时也讲解了如何将机器学习模型发布到 Web 的应用上。所讲述的知识体系完善且是一本较为全面的机器学习书籍，以下为书中主要的板块：
书目章节内容
入门阶段可阅读书目还有：
An Introduction to Statistical Learning
作者：Gareth M. James, Trevor Hastie, Daniela Witten, Robert Tibshirani
Hands-On Machine Learning with Scikit-Learn and TensorFlow
作者： Aurelien Geron
作者：周志华
阅读难度：进阶
“机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面，为方便读者, 本书附录给出了一些相关数学基础知识简介。全书共16 章，大致分为3个部分：第1 部分介绍机器学习的基础知识；第2 部分讨论一些经典而常用的机器学习方法，如决策树、神经网络、支持向量机、聚类等；第3 部分为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等，且每章都有十道习题以巩固练习。”
（文字整理自：豆瓣）
作者：周志华
阅读难度：进阶
“《南瓜书 Pumpkin-Book》主要针对以上的西瓜书做了补充，将西瓜教材中难以理解的公式做了解析，对跳跃性较大的公式做了推导，帮助读者解决机器学习中的数学难题。”
进阶阶段可阅读书目还有：
集体智慧编程| Programming Collective Intelligence
作者：Toby Segaran
统计学习方法
作者：李航
本期相关资料包分享：
（欢迎感兴趣的小伙伴在推文最后扫描二维码，获取相关免费资料）
声明：本文所用图片源自于网络
相关版权归原作者所有
关于更多相关的资料推荐，欢迎在文章最后联系TechArt学术顾问，一起交流。
藤校G5博士书单 | 建筑历史与理论的相关文献阅读推荐 Vol.1学术干货 | 2020 Fabricate Conference 数字建造类国际学术会议-最新论文分享（一）工具分享 | 参数化软件 Grasshopper的高效插件整理（第一期）学术干货 | Conway’s Game of Life 生命游戏的建筑设计应用建筑设计类院校项目特辑Vol.1—MIT Computation 研究型学生作品 (第一期)实验室干货 | 建筑类实验室揭秘之——MIT-Media Lab City Science实验室学术干货 | 机械臂建造 Robotic Assembly & Fabrication 建筑应用汇总（第一期）
学术干货 | 机器人和全自动系统 Robotics and Autonomous System 建筑应用汇总学术干货 | 人工智能风格迁移 Style Transfer的建筑应用工具与程序汇总
TechArt | 2020 建筑历史与理论课题系列（一）TechArt | 2020 可持续建筑课题系列（一）
TechArt | 2020 房地产发展课题系列（一）TechArt一对一科研 | 形态与算法TechArt一对一科研 | 人工直觉系统与生成式设计TechArt 研究小组课 | 人工智能与建筑找形TechArt 研究小组课 | 人工智能与城市大数据
TechArt 研究小组课 | 建筑信息模型及装配式设计TechArt研究小组课 | 电影与建筑空间
TechArt研究小组课 | 研究“老城”提案
TechArt学术公开课 | 建筑史的写作方法
TechArt 学术公开课 | 西方建筑史的批判性阅读
TechArt 学术公开课 | 城市和郊区生态设计TechArt学术公开课 | 可持续城市
TechArt将继续分享最前沿的建筑艺术类的学术知识与优质的海外科研资源，为热爱学术的小伙伴们提供满满的福利！
咨询更多项目详情
可长按二维码添加学究科研社学术顾问微信预约