Машинное обучение и ИИ в целом были одной из самых горячих тем за последние пару лет, и на то есть веская причина.
С момента успешного применения ИИ в автономных транспортных средствах, системах распознавания лиц и доминирующих играх, таких как Go и Dota2, люди начали замечать, что эта технология изменит правила игры, но вы, вероятно, задавались вопросом, как я могу попасть в эту область.
машинное обучение считается продвинутой темой в компьютерных науках, поскольку требует разностороннего набора навыков.
как вы можете видеть на этом изображении, для полного понимания машинного обучения требуются знания как в математике, так и в информатике, НОвходной барьер для этой области низок, вы можете начать и применить машинное обучение через пару минут или часов, если вы следуете руководству или некоторому коду GitHub
при этом давайте посмотрим, как может выглядеть дорожная карта для полностью новичка в ML (пропустите шаг 1, если вы уже являетесь специалистом в области компьютерных технологий/программистом)
Шаг 1) изучение основ программирования и алгоритмов:вы не можете разговаривать с машиной, не изучив ее язык, поэтому все эти причудливые алгоритмы должны быть реализованы с помощью кода. Я настоятельно рекомендую Python в качестве языка для начинающих, поскольку он доступен. и к синтаксису довольно легко привыкнуть, вам также нужно погрузиться в алгоритмы, чтобы иметь мышление для решения проблем
Шаг 2) Основное понимание исчисления, статистики и алгебры: это может быть немного отталкивающим для некоторых, но не позволяйте этому обескураживать, помните, что цель состоит в том, чтобы иметь базовое понимание понятий в основном вы не будете решать уравнения (если вы не исследователь) или создавать новые причудливые алгоритмы, но понимание ранее упомянутых тем сделает работу гладкой и интуитивно понятной
Шаг 3) Ознакомьтесь с жаргоном машинного обучения и основными определениями: на протяжении всего вашего путешествия вы столкнетесь с большим количеством новой лексики и новых причудливых слов, таких как обучение с учителем, переобучение и т. д., но не беспокойтесь о том, что есть много ресурсов, на которые я бы дал ссылку ниже, чтобы помочь вам
Шаг 4)Следуйте руководству и применяйте базовые алгоритмы к небольшим наборам данных:этот шаг имеет решающее значение для фактического изучения того, как работает ML, вы также познакомитесь с конвейером, которому нужно следовать.
Шаг 5)Займитесь более сложными подобластями, такими как глубокое обучение.Глубокое обучение – это подполе, которое отличается от ИИ тем, что в нем используются нейронные сети, в которые новичку может быть сложно освоиться, но как только вы испачкайте руки, выполнив шаги 1–4, вы получите удовольствие от DL
Ссылки для начала:
https://github.com/ossu/computer-science репозиторий, в котором есть множество курсов CS и путь от новичка до продвинутого
https://machinelearningmastery.com/ отличный сайт для начинающих по ML/DL
https://towardsdatascience.com/ блог, полный статей как для новичков, так и для экспертов
https://www.youtube.com/watch?v=OGxgnH8y2NM&list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v ссылка на канал senddex
