Завершая свое путешествие по машинному обучению, часть 1

По моему личному опыту

Привет! Я очень рада видеть вас здесь. Позвольте мне рассказать вам о моем опыте работы с машинным обучением за последние 3 месяца. На меня, как и на вас, повлияло машинное обучение. Я отчаянно пытался изучить M.L. но поначалу у меня в голове всегда оставался один вопрос: «Настало ли время изучать ML?» (я студент первого курса со знанием основ программирования). Но я где-то читал строчку, что

«Для программиста нет идеального времени, чтобы начать изучать новую технологию. Так что продолжайте изучать и продолжайте работать »

Ну, может быть, я сказал эту строчку, чтобы оправдать свое обучение :)

Так что я начал изучать ML, и Corona Virus мне очень помогает. Я был полностью свободен и заперт в своем доме с приличной скоростью подключения. Теперь возникает основная проблема, с которой начать Интернет наводнен ресурсами. Решение довольно простое. Я собираюсь поделиться всей информацией, так что подготовьте ваши глаза, расслабьтесь и прокрутите вниз. Пишу поэтапно.

Основные вещи -

Предпосылки

1. Настроение, уверенность и образ мышления (у вас их много, но вам просто нужно было его вызвать)
2. Python (лучший курс для python - https://www.coursera.org/learn/python-data-analysis/ Это немного сложно, вам нужно использовать некоторые навыки, такие как Googling, Medium, Github)
3. Основы алгебры, статистики и теории вероятностей. Не о чем беспокоиться. Математика играет огромную роль в машинном обучении. Самый известный курс по машинному обучению с математикой с нуля - https://www.coursera.org/learn/machine-learning.
4. Пакет Anaconda (https://medium.com/@GalarnykMichael/install-python-anaconda-on-windows-2020-f8e188f9a63d)
5. В пакете Anaconda есть Jupyter Notebook. Узнайте, как его использовать - https://towardsdatascience.com/a-beginners-tutorial-to-jupyter-notebooks-1b2f8705888a

Теперь можно идти. Прочтите до конца, чтобы узнать о хороших советах и ​​рекомендациях по изучению машинного обучения.

Машинное обучение - это область информатики, которая дает «компьютерам возможность учиться без явного программирования». На практике это означает разработку компьютерных программ, которые могут делать прогнозы на основе данных. Как люди могут учиться на опыте, так и компьютеры могут учиться на опыте, где данные = опыт.

Я просто хотел сказать, что данные - это бог машинного обучения.

Прежде чем я углублюсь в технические термины, я считаю, что существует два типа машинного обучения.

1. Теоретическое машинное обучение. (Основные концепции | Глубокая математика | Анализ алгоритмов | Лучшее для исследований
2. Прикладное машинное обучение. (Реализованные алгоритмы | Сокращенный код | Более практичный | Достаточно для среднего уровня знаний ML)

Я немного предвзято отношусь к Applied ML. Курс машинного обучения Эндрю Нг относится к первому типу. Я предпочитаю второй тип со смесью первого. дело в том, что если вы знаете, как работают алгоритмы машинного обучения, то нет необходимости многократно писать это в коде. Библиотека Python sklearn имеет встроенные функции всех алгоритмов машинного обучения, поэтому я люблю sklearn. Поэтому я предлагаю вам написать оба кода (один с нуля, другой из sklearn) в блокноте Jupyter.

Теперь у вас есть вся информация о том, что такое ML ?, с чего начать ?, с чего начать ?.

Секреты и уловки

1. Вы можете БЕСПЛАТНО просмотреть курс Coursera Andrew Ng ML по аудиту. Или вы можете подать заявку на Finacial Aid. Он будет принят в течение 15 дней.
2. Если вы хороший программист, значит, вы хороший гуглер. Вы обязательно получите ответ от Google
3. Узнайте, как использовать Medium. У канала есть название публикации На пути к науке о данных. Он содержит множество замечательных статей, объясняющих алгоритмы машинного обучения и их практическое использование.
4. Github содержит потрясающие проекты и важный код.
5. Kaggle - лучшая платформа для поиска любого набора данных и проверки ваших практических знаний (как и в случае с соревновательным программированием).

Вот и все. Интернет все упростил, верно? Нам просто нужно правильно его использовать. Хотите увидеть простые базовые концепции машинного обучения и их код, затем проверьте мою учетную запись GitHub. Если вам интересно работать со мной над проектами, не стесняйтесь обращаться ко мне.

Заключительные примечания

Это моя первая статья, и я надеюсь, вы что-то узнали! Если есть что-то, что вы, ребята, хотели бы добавить в эту статью, не стесняйтесь оставлять сообщение и не сомневайтесь! Мы искренне приветствуем любые отзывы. Не бойтесь поделиться этим! Спасибо!

Я собираюсь предоставить важные ссылки на другие статьи на Medium (здесь или на моем Github), которые лучше меня объяснят типы машинного обучения, важные алгоритмы машинного обучения и их приложения с исходным кодом. Так что следите за обновлениями.

Обновление: - Я загрузил все свои ресурсы в это репо

хлопать в ладоши, чтобы повысить мою уверенность и ваши навыки обучения :)