Этот блог содержит все ресурсы для начала работы с машинным обучением, а также глубокие знания в этой области.
Я разделил этот пост в блоге на три раздела: начинающий, средний, продвинутый. И я бы поделился ресурсами, соответствующими каждому разделу, исходя из своего опыта.
(A)Начинающий:
Этот раздел состоит из всех предварительных условий и базовых знаний, которые необходимы для начала работы с машинным обучением, таких как навыки pythonic, знания о библиотеках машинного обучения, базовая линейная алгебра, вероятность и статистика, исчисление.
1.Навыки Python:
Навыки Python очень помогут вам, если вы следите за ресурсами, упомянутыми в этой записи блога
все они присутствуют в языке Python.
A. https://docs.python.org/3/tutorial/index.html:
Это официальные руководства от python.org, которые присутствуют в последней версии
Питон. В этом уроке дается каждый кирпичик стены под названием Python
с фрагментами кода и пояснениями к ним.
Поверьте мне, это действительно удобная для начинающих документация, предоставляемая Python, и вы научитесь
наслаждайтесь ими.
Б. https://www.hackerrank.com/:
После того, как вы ознакомились с руководствами, предоставленными Python.org , hackerrank действительно
отличное место, где можно попрактиковаться в некоторых задачах, чтобы набраться опыта
где использовать структуры данных Python.
Я хочу, чтобы вы зашли на этот сайт и попрактиковались в решении задач Python (знание языка)
раздел (здесь вы сможете решить все основные проблемы и приступить к написанию кода на python).
2.Библиотеки машинного обучения:
В этом разделе вы познакомитесь с некоторыми библиотеками машинного обучения, используемыми для
Вычисление, визуализация целей. Но имейте в виду, что это не совсем те библиотеки мл
используется для построения моделей машинного обучения, но это только отправная точка
Эта ссылка может показаться пугающей, но она относится к «PYTHON DATA SCIENCE HANDBOOK»
На данном этапе вам не обязательно читать всю книгу целиком, а только главы-2, главы-3, главы-4 и все.
ch-2 (содержит коды и пояснения о Numpy), ch-3 (о Pandas), ch-4 (о библиотеке визуализации данных Python MatPlotLib)
B.Здесь я буду делиться всей официальной документацией по этим библиотекам:
Numpy: https://numpy.org/devdocs/user/quickstart.html
Панды: https://pandas.pydata.org/pandas-docs/stable/tutorials.html
Matplotlib: https://matplotlib.org/tutorials/index.html
Все это отличные ресурсы для ознакомления с этими библиотеками.
3. Линейная алгебра:
A. https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab:
В видеороликах дается очень хорошая визуализация понятий линейной алгебры, которая помогает понять некоторые распространенные операции. В видеороликах дается очень хорошая визуализация понятий линейной алгебры, которая помогает понять некоторые распространенные операции.
B.https://ocw.mit.edu/courses/mathematics/18-06-linear-алгебра-spring-2010/video-lectures/: длинное, но очень исчерпывающее объяснение концепций линейной алгебры.
4.Вероятность и статистика:
A. https://www.youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo:
Этот курс Гарвардского университета (STAT-110) представляет собой отличное и всестороннее объяснение концепций вероятности .
B. https://medium.com/data-deft/probability-statistics-for-data-science-series-83b94353ca48:
Это серия из 6 блогов, которые помогут вам разобраться с основами вероятности и статистики.
5.Основы машинного обучения.
Наконец-то я перешел к машинному обучению.
A.Введение в курс машинного обучения:
Этот курс дает вам практическое изучение основ машинного обучения, которое будет полезно позже.
Расчетное время для завершения: 1 неделя
B. https://www.amazon.com/Introduction-Machine-Learning-Python-Scientists/dp/1449369413:
Снова не пугайтесь ссылки, но это ссылка на книгу О'Рейли «Введение в машинное обучение с помощью python», это отличная книга для начала (она содержит как теорию, так и часть реализации). на питоне).
(B) Промежуточный уровень:
Этот раздел полностью связан с машинным обучением, и я поделюсь некоторыми замечательными книгами и
Курсы по машинному обучению с учетом теоретических и практических аспектов:
1. https://www.coursera.org/learn/machine-learning:
Это один из самых известных курсов профессора Эндрю Нг. Он немного длинный, но
Вы многому научитесь, и задания по программированию в этом курсе находятся в Matlab/octave, но не пропускайте их только потому, что в настоящее время в основном используется Python
Для целей машинного обучения, поскольку MATLAB очень похож на численные решения Python.
Вычислительная библиотека Numpy, поэтому вы также получите хороший практический опыт из этого курса.
2. https://www.amazon.com/gp/offer-listing/1491912057/ref=dp_olp_all_mbc?ie=UTF8&condition=all:
Попробуйте прочитать 4-ю главу этой книги (Руководство по науке о данных Python). В ней рассматриваются все необходимые алгоритмы машинного обучения и их реализации с плюсами и минусами, соответствующими каждому алгоритму машинного обучения.
3. https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1491962291:
Если вы ознакомились со всеми основными библиотеками мл, которые я перечислил ранее, и ознакомились с частью базовой реализации алгоритмов мл в python, то переходите к этой книге только потому, что в этой книге есть свои предварительные требования. Но книга действительно хороша для начала работы, все коды объяснены очень подробно, а книга написана Орельеном Жероном, который является пионером в этой области.
4. https://www.amazon.in/Python-Machine-Learning-Sebastian-Raschka-ebook/dp/B00YSILNL0:
Эта книга поможет вам разобраться с основами машинного обучения, охватив все основные темы, а также вы сможете приступить к реализации алгоритмов машинного обучения.
5.http://neuralnetworksanddeeplearning.com/:
Я знаю, что в этом блоге описываются ресурсы для машинного обучения, но очень важным для решения задач машинного обучения является достижение современного уровня развития нейронных сетей.
Эта книга знакомит вас с основами глубокого обучения, рассказывает о том, что такое нейронные сети, а также дает подробный математический обзор алгоритма обратного распространения ошибки. Он также содержит исчерпывающее объяснение классификатора рукописных цифр, полностью написанного на NumPy.
©Дополнительно:
Этот раздел состоит из ресурсов для людей, которые изучили концепции машинного обучения и закодировали их на python. Этот раздел несколько более математический, но он действительно помогает стать пионером в этой области. Этот раздел также содержит некоторые ресурсы для глубокое обучение, но не пугайтесь его, глубокое обучение — это просто метод решения задач машинного обучения, в котором мы используем другую архитектуру глубоких слоев нейронов (это просто другой метод, который дает очень точные результаты для решения многих задач) :
1. https://www.coursera.org/specializations/deep-learning:
Эта специализация обязательна для изучения основ теории глубокого обучения и получения личного опыта ее применения в некоторых забавных задачах.
Приблизительное время выполнения: 1–1,5 месяца
2.https://www.amazon.in/Pattern-Recognition-Learning-Information-Statistics/dp/0387310738:
Эта книга полностью теоретическая, поэтому, пожалуйста, подготовьтесь, прежде чем читать эту книгу, но она действительно подробно описывает все основные алгоритмы машинного обучения.
По крайней мере, всякий раз, когда вы знакомы с основами вероятности и линейной алгебры, попробуйте прочитать эту книгу и подробно изучить алгоритмы машинного обучения.
Этот курс действительно насыщен математикой, поэтому будьте готовы, если вы прошли предыдущий курс andrew ng classic от Coursera, тогда переходите только к этому курсу, который содержит все скрытые детали, лежащие в основе алгоритмов мл.
4.https://www.deeplearningbook.org/:
Независимо от того, хотите ли вы преуспеть в своей области в мл или дл, эта книга просто необходима.
Эта книга считается библией глубокого обучения и дает очень подробное объяснение концепций глубокого обучения.
По крайней мере, попробуйте прочитать первую часть этой книги. Эта книга также полностью теоретическая.
В этой книге объясняются многие концепции и вопросы, которые задают на собеседованиях по машинному и глубокому обучению.
5.Блоги:
Для лучшего понимания полезных концепций в области ML и DL можно прочитать следующие блоги:
a.https://www.analyticsvidhya.com/blog/2018/03/introduction-k-neighbours-algorithm-clustering/
b. http://colah.github.io/ (читайте блоги разделов, названных Нейронные сети, CNN, RNN, Визуализация нейронных сетей)
c.https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205
г. http://ruder.io/optimizing-gradient-descent/
g.https://machinelearningmastery.com/blog/ (для алгоритмов машинного обучения и их реализации на Python).
Это полное руководство было основано на моем опыте, но может быть много других лучших ресурсов, которые подходят разным людям.
Это, безусловно, не конец и, вероятно, начало всех тем, в которые можно углубиться и изучить после прохождения вышеуказанного пути.
И всегда помните, что GOOGLE — ваш друг.
Спасибо, что прочитали
Суровый Гупта
Вы можете связаться со мной через linkedlin:https://www.linkedin.com/in/harshit-gupta-36b1a3182
