Заголовок сообщения гласит «для инженеров-механиков», но этот пост предназначен для всех, кто не занимается информатикой, например электрики и инженеры-строители. В течение последних нескольких месяцев многие люди связывались со мной через LinkedIn и другие социальные сети, спрашивая, как они могут начать изучать машинное обучение, не имея опыта программирования.
Как инженер-механик, когда я начал свой путь к машинному обучению, я не знал, с чего начать и чему учиться. У меня было много замешательства и сомнений, на которые в то время не было ответа. И я не нашел ни одного блога о том, как можно начать с машинного обучения и науки о данных, если у него нет предварительных знаний о программировании. В этом блоге я записываю все пройденные мной курсы, книги, которые я прочитал, каналы YouTube, за которыми я следил, и т. Д., Чтобы изучить машинное обучение и науку о данных с нуля.
Изучение языка программирования.
Вот с чего вы начнете. В Data Science в основном используются два языка, а именно Python или R. Без них даже не думайте о Data Science. Мое личное предложение - Python, поскольку R имеет некоторые ограничения в глубоком обучении. Я думаю, что одного месяца более чем достаточно, чтобы выучить Python. Не полагайтесь слишком много на теорию курсов или книг, лучше продолжайте практиковать то, что вы изучаете, параллельно. Это придаст вам настоящей уверенности.
Курсы, которые я прошел для изучения Python:
Книга, которую я прочитал по Python:
Начните изучать машинное обучение.
Здесь начинается настоящая игра. Для этого существует множество онлайн-курсов, и у каждого есть свои плюсы и минусы. Многие начинают с машинного обучения Эндрю Н.Г. на Coursera, но я не нашел его очень полезным для новичков. Если у вас уже есть базовые представления о машинном обучении, то курс Эндрю Н.Г. вам подойдет. (Это просто мое личное мнение).
Я прошел курс машинного обучения:
Книга, которую я прочитал:
Поверьте, эта книга - библия машинного обучения. И это стоит каждой потраченной на это копейки. Его можно купить на Amazon India по цене рупий. Думаю, 2000 индийских рупий.
Параллельно с прохождением курса и чтением книги начните изучать kaggle. Это место, где вы применяете то, что узнали. Это место, где вы можете найти много замечательных специалистов по данным и их коды. Вы можете участвовать в любом соревновании, которое захотите, это даст реальную возможность познакомиться с машинным обучением. Я зарегистрировал соревнование «Титаник» на Kaggle во время прохождения курса машинного обучения на Udemy. Ниже ссылка на этот замечательный сайт.
Начинаем изучать глубокое обучение и компьютерное зрение.
К тому времени, когда вы начнете глубокое обучение и компьютерное зрение, вы уже будете иметь представление о том, что такое машинное обучение.
Курсы глубокого обучения и компьютерного зрения:
Расширенное машинное обучение
Предлагает Национальный исследовательский университет« Высшая школа экономики . Эта специализация дает представление о глубоком… www.coursera.org »
Книга, которую я прочитал по глубокому обучению и компьютерному зрению:
Несколько хороших каналов YouTube для ML, DL:
AIEngineering
Этот канал предназначен для размещения информации о« Все данные . Темы, которые я буду освещать через этот канал, находятся на Machine… www.youtube. com »
Некоторые полезные ссылки:
И, в конце концов, я бы сказал, что нет никакого смысла в курсах или книгах, если вы не применяете полученные знания. И Kaggle - это то место, где вы можете подать заявку. Существуют и другие веб-сайты, посвященные соревнованиям, которые также похожи на analyticsvidhya; вы можете найти в Google больше таких сайтов.
На что следует обратить внимание: не тратьте слишком много на покупку курсов и книг. Например, у Udemy есть много предложений и промокодов, применив которые, вы получите любой курс максимум за рупий. 500 индийских рупий. Как правило, они публикуют предложение каждые одну или две недели.
Хлопайте в ладоши, если вы найдете этот блог полезным. Спасибо, что пролистали его до конца. Всего наилучшего. Удачного обучения !!! 😊😊
Ссылка на другие мои блоги:
Почему я перешел с машиностроения на машинное обучение.
Распределения вероятностей для науки о данных.
