Прошлый год был самым большим, что я когда-либо кодировал. Неслучайно прошлой осенью я присоединился к программе докторантуры по городскому и региональному планированию. Этот пост является отражением того, что, как мне кажется, помогло мне улучшить свои навыки программирования.

Цели: у меня не было конкретной цели, но я думаю, что могу сформулировать ее как значительное улучшение моих навыков R и Python для анализа геопространственных данных, визуализации и машинного обучения.

Ресурсы. Для обучения я использовал различные ресурсы. Бесплатные онлайн-учебники, учебники, StackOverflow, курсы DataCamp, видеоуроки и многое другое.

Методы и их эффективность:

  • Я использовал видеоролики YouTube, учебники и веб-страницы, чтобы изучить связанные концепции, особенно для машинного обучения. Я также прошел курс машинного обучения для выпускников в университете. YouTube помогает быстрее понять концепции. Я был поражен количеством доступных ресурсов, особенно для таких новичков, как я.
  • Я использовал DataCamp, чтобы освоить практические навыки программирования с помощью таких курсов, как «Введение в контролируемое обучение с помощью scikit-learn», «Введение в нейронные сети с помощью Python», «Введение в глубокое обучение с помощью Keras и Tensorflow». Я также изредка просматривал материалы, полученные на курсах DataCamp, используя мобильное приложение. Я думаю, что для меня это самый эффективный способ освоить новые навыки программирования: практический онлайн-курс для самостоятельного изучения, ориентированный на новичков. Я заплатил за годовую подписку, когда они предлагали ее со скидкой 65%. Одна из моих лучших инвестиций в прошлом году. Кроме того, каждый раз, когда я заканчивал курс, я писал об этом в Твиттере. Я думаю, что добавленный слой социальной проверки обеспечил своего рода мотивацию. Звучит поверхностно, я знаю, но если это работает, то работает! 😉
  • Я использовал Github, чтобы найти репозитории, связанные с моей работой, и попытался воспроизвести и настроить их. Это действительно помогло мне понять, как можно использовать концепции машинного обучения для решения практических задач. Во время репликации я пытался понять каждую строчку кода и попутно делал комментарии.
  • Моя работа в качестве ассистента преподавателя курса городской аналитики помогла мне лучше изучить то, чему я должна была помочь преподавать. Другие курсы, которые я посещал, такие как Advanced Probability and Statistics и Regression Models, помогли мне улучшить свои навыки R для статистических приложений.
  • Наверняка есть и другие, которых я сейчас не вспомню.

Цели на следующий год:

  • Это все еще было о написании кода, чтобы добиться цели. В следующем году я хочу научиться писать код лучше, узнав больше о вычислительном мышлении, параллельной обработке, рефакторинге, эффективности и т. д.
  • Я хочу делать побочные проекты по энергетическому применению машинного обучения. Вероятно, попробуйте передовую архитектуру для решения традиционной проблемы. Я думаю, что смогу попробовать это, чтобы выполнить мои требования к бумажным работам второго года обучения.

Я обнаружил, что размышление помогает закрепить обучение. Это были мои стратегии. Какие стратегии сработали или не сработали для вас? Я действительно хочу знать.