Получите от нуля до 100% в ML от того, кто сделал это с нуля.

НАЧАТЬ В КАЧЕСТВЕ НОВИЧКА

Почти каждый из нас был знаком с этой областью автоматизации с такими жаргоном, как искусственный интеллект (AI), машинное обучение (ML), глубокое обучение (DL), наука о данных / аналитика и т. Д., Которые на первый взгляд казались волшебством. Я в этом не новичок, мои детские шажки тоже.

В основе курса Data Science и магических терминов лежат следующие темы:

Программирование на Python:

Примечание. Курсовая работа, которую я проводил по машинному обучению и глубокому обучению, была основана на python, но есть альтернативы, такие как R, MATLAB и т. д., но python является наиболее популярным выбором.

Вот несколько ключевых моментов, на которых стоит сосредоточиться:

  • Типы данных и их использование в Python
  • Определение метода в Python и его использование
  • Арифметические операторы и системы счисления
  • Приведение типов в Python
  • Битовые манипуляции в Python

Кроме того, решение проблем или стандартное кодирование вопросов - это то, с чем студенты знакомы во всем академическом сообществе, но создание сценариев кода в усовершенствованной, удобочитаемой форме очень важно, когда вы пишете код для проектов, особенно тех, которые находятся в производстве. Это потому, что когда вы работаете над проектом, члены вашей команды должны с первого взгляда хорошо разбираться в вашем коде. Это помогает им улучшить ваш код и значительно повышает эффективность работы над вашим проектом.

Библиотеки для анализа данных:

Хотя это не является обязательным предварительным условием, знание стандартных базовых библиотек анализа данных будет большим подспорьем. Некоторые из наиболее примечательных:

  • Numpy
  • Панды
  • Матплотлиб
  • Scikit learn (помогает понять концепции машинного обучения)

Я убедился, что я поигрался с некоторыми из этих библиотек, чтобы узнать их синтаксис, варианты использования и получить их обзор. Поверьте, потратить время на документацию этих библиотек стоит того, и это трудный, но лучший способ их изучить.

[Подсказка]: Пропуск медицины, если вы страдаете каким-либо отклонением от нормы, и пропуск математической части в какой-либо области, особенно когда вы пытаетесь изучить новые технологии, не так уж и отличается. Так что никогда не игнорируйте математику, на которой построены AI, ML и DL.

Несмотря на то, что это кажется скучным и трудным (за исключением энтузиастов математики), потому что лично я скажу, что математика скучна, она очень важна для более глубокого понимания концепций машинного обучения и глубокого обучения.

Наиболее важные концепции, на которых следует сосредоточиться:

Убедитесь, что вы хотя бы знакомы с вычислением производных, преобразованием графов, матрицами и понимаете векторизацию. Шпаргалки и лекции по обновлению или пересмотру предметов могут помочь вам освоить концепции, необходимые для понимания глубокого обучения, но при этом желательно иметь предметные знания.

Вероятность и статистика:

Это тоже очевидная математика, но заслуживает отдельного упоминания. Если вы не можете вести статистику должным образом, то, скорее всего, вы не сможете должным образом заниматься машинным обучением или глубоким обучением. Эти два предмета являются очень необходимыми и наиболее важными основами, необходимыми для преуспевания в этой программе. Несмотря на то, что большинство моделей машинного обучения используют загрузку для получения статистики, вы должны понимать некоторые ключевые концепции, такие как:

  • Проверка гипотез в статистике
  • Вероятность и байесовский вывод
  • Меры дисперсии, центральная тенденция в статистике
  • Часто используемые кривые распределения вероятностей
  • Функции активации
  • Типы зависимости между числовыми переменными

Реальность поразит нас: со всем этим, если я или кто-либо другой заявляю, что освоил все это за один месяц, это полная ложь. Все, что я сделал, - это познакомился с ними, играя с ними, чтобы мы лучше понимали концепции машинного обучения и глубокого обучения с нуля. Последовательность - это ключ, и ничто не заменит практики или ярлыков, позволяющих за несколько месяцев стать так называемыми специалистами по данным.

Смысл здесь в том, что независимо от того, на каком этапе вы находитесь, новичок или эксперт, у вас всегда есть что-то новое, чему можно научиться в этой области, поэтому начинайте, где бы вы ни находились, используйте ресурсы и старайтесь изо всех сил.

«Обучение науке о данных похоже на поход в тренажерный зал, вы зарабатываете свои мышцы (навыки) только в том случае, если вы тренируетесь изо дня в день, а нерегулярность возвращает вас к нулевому дню».

Наука о данных, машинное обучение и глубокое обучение не являются предметами для изучения, это инструменты, которые применяются в реальном времени для решения проблем в различных областях, таких как здравоохранение, финансы, маркетинг, политика, принятие решений и т. Д. Я хотел бы упомянуть некоторые ключевые моменты, которые помогут вам сориентироваться в вашем путешествии по науке о данных:

  • Помните, что каждая концепция, которую вы изучаете, когда-то была исследовательской работой, поэтому не думайте, что это выходит за рамки моих знаний, и я не могу этого сделать. Такие сайты, как «paperwithcode», помогут вам глубоко реализовать и понять концепцию. Как только вы поймете, как это работает, вы с оптимизмом сможете создать следующую революционную исследовательскую работу !!!
  • Курсы дают вам теоретические знания, а проекты дают как практические, так и теоретические знания. Мы уже заявили, что наука о данных является инструментом, поэтому для эффективного использования этого инструмента требуются практические знания, а не просто знание фактов о нем. Поэтому всегда создавайте качественные проекты, чтобы проиллюстрировать свое обучение.
  • Открывайте исходный код своих проектов, даже самые лучшие модели глубокого обучения необходимо повторять, аналогично, всегда есть возможности для улучшения в любой работе, которую вы выполняете, а открытый исходный код позволит любому желающему поработать над этим. Напишите средние блоги о своей работе и поделитесь своим мнением с сообществом, обучая своему обучению, поскольку лучший способ узнать что-то - это делать это практически и обучать интуитивно.
  • Всегда связывайтесь и общайтесь с увлеченными и увлеченными людьми, которые приносят пользу сообществу на профессиональных платформах, таких как LinkedIn, Github, Stackoverflow и т. Д.

Я дал то, что могу, и то, чему я научился на своем пути, я очень надеюсь, что это вам очень поможет, ребята. Всего наилучшего для карьеры впереди.

И, ребята, не забудьте похлопать!