Најбољи ресурси које сам раније подучавао машинском учењу

Поље машинског учења сваке године постаје све више и више уобичајено. Са овим растом долазе многе библиотеке и алати који апстрахују неке од најтежих концепата за људе који почињу.

Већина људи ће рећи да вам треба виша диплома из МЛ за рад у индустрији. Ако волите да радите са подацима и практичном математиком, онда бих рекао да то није тачно. Нисам завршио факултет са машинским учењем или дипломом, али тренутно радим са МЛ-ом у стартупу. Желим да поделим шта сам некада учио и како сам овде стигао у нади да ће то помоћи некоме другом.

Почетак

Питхон сам познавао већ кад сам почео, али, ако не, препоручујем да прво научим основни и средњи Питхон. Језик је прилично лако научити у поређењу са другима. Питхон је такође дом највеће научне заједнице / МЛ заједнице, тако да постоји мноштво алата који ће вам помоћи док учите.

Научите Питхон: фрееЦодеЦамп Питхон Црасх курс

Ако то не уклоните, прво што треба да урадите је да преузмете „Подцаст за машинско учење“ компаније ОЦДевел (оверцаст.фм, иТунес) у своју омиљену апликацију за подкаст. Послушајте првих 10–15 епизода. Они су врло добри у давању прегледа екосистема машинског учења, а такође постоје и препоручени ресурси који су повезани на ОЦДевел веб локацију.

Алат

Бележница Анацонда и Јупитер - Ово је неопходно за науку о МЛ и подацима. Следите упутства овде да бисте их инсталирали и поставили.

Висуал Студио Цоде са додатком Питхон - Никад нисам мислио да препоручујем Мицрософт производ, али искрено сам импресиониран њиховом посвећеношћу отвореном коду у последње време. Ово је сада мој омиљени уређивач кода, чак и ако радим неке ствари у Питхону - попут кода за отклањање грешака.

Каггле.цом је најбоље место за проналажење скупова података када започињете. Само напријед и пријавите се за рачун и прошетајте око странице. Приметићете да постоје многа такмичења за људе свих нивоа искуства, па чак и водичи који могу да иду с њима (попут овог за Титаниц, прилагођеног почетницима). Ови скупови података ће бити врло корисни за вежбање док учите Питхон библиотеке.

Питхон Библиотеке

Даље, важно је научити уобичајене Питхон библиотеке за рад са подацима: Нумпи, Матплотлиб, Пандас, Сцикит-Леарн итд. Препоручујем да овај курс започнете из датацамп-а. Пролази кроз неке основе које можете прескочити или користити за преглед, а одељак Нумпи је добар увод.

Панде морате научити, али такође треба и мало времена да се схвате, јер раде толико ствари. Изграђен је на врху Нумпи-а и користи се за чишћење, припрему и анализу података. Такође има уграђене алате за ствари попут визуализације. Користио сам пуно ресурса да научим Панде и вежбам са њима. Ево неколико:

  1. Научите Панде на Кагглеу
  2. Научите видео курс Пандас | Свеска за курс
  3. Додатни примери за бележницу Јупитер: Основе | Зацртавање са Матплотлиб & Пандас | И још много тога

После Панде долази Сцикит-Леарн. Овде ствари почињу да се примењују више на стварне алгоритме машинског учења. Сцикит-Леарн је научна Питхон библиотека за машинско учење.

Најбољи ресурс који сам до сада пронашао је књига „Руке на машинском учењу са Сцикит-Леарн и Тенсорфлов“. Мислим да је то врло добар посао тако што вас корак по корак подучава практичним примерима. Прва половина говори о Сцикит-Леарн-у, па сам прво урадио тај део, а затим се вратио у део Тенсорфлов.

Постоје многе друге Питхон библиотеке попут Керас и ПиТорцх, али о њима ћу касније. Ово је већ много за научити :)

Плитко учење

Ово је први корак у машинском учењу. Сцикит-Леарн има плитке функције учења попут линеарне регресије уграђене у библиотеку. Књига Сцикит-Леарн коју горе помињем подучава многе типове уобичајених алгоритама машинског учења и омогућава вам вежбање на примерима.

Иако је то добро, ипак ми је било корисно да прођем и курс Андрев Нг-а за машинско учење са Станфорда. Доступна је за бесплатну ревизију на Цоурсери (постоји подцаст за овај курс на иТунес-у, али мало га је тешко пратити и стар је више од деценију). Квалитет наставе је невероватан и то је један од најчешће препоручених ресурса на мрежи (није га најлакше проћи, зато га препоручујем овде доле).

Почните полако да пролазите курс Андрев Нг и немојте се фрустрирати ако нешто не разумете. Морао сам да га одложим и покупим неколико пута. Такође сам похађао Матлаб на факултету, што је језик који он користи на курсу, тако да нисам имао проблема са тим делом. Али ако желите да користите Питхон, примере можете пронаћи на мрежи.

Математика :)

Да, математика је неопходна. Међутим, не осећам да је интензиван приступ који користи математику најбољи начин за учење; застрашујуће је за многе људе. Као што ОЦДевел предлаже у свом подцаст-у (везан горе), проведите већину свог времена учећи практично машинско учење и можда 15–20% проучавајући математику.

Мислим да је први корак овде научити / разрадити статистику. Може бити лакше за варење и бити истовремено забавно и практично. Након статистике, дефинитивно ћете морати научити мало линеарне алгебре и неки рачун да бисте заиста знали шта се догађа у дубоком учењу. То ће потрајати, али ево неких ресурса које препоручујем за ово.

Извори статистике:

  1. Мислим да су курсеви статистике о Удацитију прилично добри. Можете започети са овом, а затим истражити друге које нуде.
  2. Свидела ми се књига „Гола статистика“. Пун је практичних примера и пријатан за читање.
  3. Такође је корисно разумети Баиесову статистику и како се она разликује од фреквенцијског и класичног модела. Овај курс предавања одлично објашњава ове концепте - овде је такође део 2 курса.

Ресурси линеарне алгебре:

  1. Књига „Линеарна алгебра, корак по корак“ је изврсна. То је као уџбеник за средњу школу / факултет, али добро написан и лак за праћење. Постоји и пуно вежби за свако поглавље са одговорима на полеђини.
  2. Суштина видео серије Линеарна алгебра - Математичка објашњења 3блуе1бровн су невероватна. Топло препоручујем његов математички садржај.
  3. Постоји преглед линеарне алгебре и на Андрев Нг курсу, али мислим да су два ресурса која сам горе навео мало лакше користити за учење предмета.

Ресурси рачуна:

Раније сам узимао неколико година рачунања, али још увек сам морао прилично да се отарасим. Узео сам коришћени уџбеник за Цалц. 1 у локалној књижари за почетак. Ево неколико мрежних извора који су и мени помогли.

  1. Суштина видео серије Цалцулус
  2. Разумевање рачуна из великих курсева плус

Друга корисна математика:

  1. Математичко одлучивање из великих курсева плус

Дубоко учење

Након што научите мало математике и основа науке о подацима и машинског учења, време је да ускочите у више алгоритама и неуронских мрежа.

Вероватно сте већ осетили дубоко учење са неким ресурсима које сам поменуо у првом делу, али ево неколико заиста добрих ресурса који ће вас у сваком случају упознати са неуронским мрежама. Они ће вам барем бити добар преглед и попунити неке празнине за вас.

  1. Серија 3блуе1бровн која објашњава неуронске мреже
  2. Дееплизард-ов увод у листу за дубинско учење

Док радите на курсу Андрев Нг Станфорд, препоручујем вам да се пријавите фаст.аи. Имају неколико висококвалитетних, практичних видео курсева који заиста могу помоћи у учењу и цементирању ових концепата. Прво је Практично дубоко учење за кодере, а друго - управо објављено - Део дубоког учења за кодере са резањем ивица, Део 2. Покупио сам толико ствари од гледања и поновног гледања неких од ових видео записа. Још једна невероватна карактеристика фаст.аи је форум заједнице; вероватно један од најактивнијих форума АИ на мрежи.

Библиотеке дубоког учења на Питхону

Мислим да је добра идеја научити мало из све три ове библиотеке. Керас је добро место за почетак, јер је његов АПИ направљен једноставнијим и интуитивнијим. Тренутно користим готово у потпуности ПиТорцх, који ми је лично најдражи, али сви имају за и против. Стога је добро бити у могућности да изаберем кога да изаберем у различитим ситуацијама.

Керас

  • Листа за репродукцију Дееплизард Керас - Овај канал има озбиљно добра објашњења и примере. Можете бесплатно да пратите видео записе или да имате приступ бележницама кодова тако што ћете се претплатити на Патреон на нивоу од 3 УСД (УСД).
  • Такође сам сматрао да је документација за Керас прилично добра
  • Датацамп има много добро написаних водича за МЛ и Керас попут овог

Тенсорфлов

  • Одељак Тенсорфлов књиге, „Руке на машинском учењу помоћу Сцикит-Леарн-а и Тенсорфлов-а“ (поменуто горе)
  • Дееплизард Тенсорфлов серија

ПиТорцх

  • Дееплизард Питорцх Сериес
  • Удацити Питорцх Боотцамп - Тренутно похађам Удацити'с Дееп Реинфорцемент Леарнинг нанодегрее и сматрао сам да је њихов одељак ПиТорцх раније на курсу био веома добар. Ускоро ће га лансирати за јавност! Ево неколико њихових ПиТорцх преносних рачунара на Гитхуб-у.
  • Фаст.аи је такође направљен са ПиТорцхом - Неку ћете научити ову библиотеку ако прођете њихове курсеве.

Блогови и истраживачки радови

Сматрао сам да је веома корисно читати тренутна истраживања док учим. Доста је ресурса који помажу да се сложени концепти чине лакшим за варење и математиком која стоји иза њих. Ови радови су и много забавније за читање, него што можда схватате.

  1. фаст.аи блог
  2. Дистилл .пуб - Истраживање машинског учења је јасно објашњено
  3. Двоминутни радови - Кратки видео прегледи АИ и других истраживачких радова
  4. Арвик Санити - интуитивнији алат за претраживање, сортирање и чување истраживачких радова
  5. Мапа пута за дубоко учење
  6. Субреддит за машинско учење - Они имају теме „шта читаш“ и расправљају о истраживачким радовима
  7. Аркив Инсигхтс - Овај канал има неколико сјајних кварова у истраживачким радовима о АИ

Аудио-допунско образовање

  1. Скептик података - Они имају пуно добрих краћих епизода, названих [мини], где покривају концепте машинског учења
  2. Свакодневно машинско учење софтверског инжењерства
  3. ОЦДевел Подцаст за машинско учење - Већ сам споменуо овај, али поново га наводим за случај да сте га пропустили

Додатни ресурси за учење

  • Е-књига о неуронским мрежама и дубоком учењу
  • Чежња за машинским учењем (бесплатна радна верзија) Андрев Нг

Крај

Пљескајте ако је ово било корисно :)

Друштвени медији: @гвен_фарадаи

Ако знате неке друге добре ресурсе или ако видите да ми нешто недостаје, оставите везе у коментарима. Хвала вам.