Прошел год с тех пор, как я выпустил часть 1 моей учебной программы по Data Science. Причина задержки в том, что 2019 год был для меня беспокойным. Я усердно работал над своей учебной программой, участвовал в соревнованиях по искусственному интеллекту, закончил колледж и получил свою первую работу в области науки о данных! Это заставило меня поверить в свой учебный план и почувствовать, что я должен закончить эту серию, так что готово.

Чтобы освежить вашу память, это программа, которую я предложил.

Введение в науку о данных

Статистика

Вероятность

Исчисление

Линейная алгебра

Программирование на Python

Машинное обучение

Глубокое обучение

Я просмотрел курсы из введения в программирование на Python в части 1 этой серии, поэтому обязательно прочтите это, если хотите получить полный обзор. (Ссылка здесь)

Итак, продолжим машинное обучение.

Первый - Машинное обучение Эндрю Нг.

Одним словом, превосходно. Этот курс не требует рекламы, так как это библия машинного обучения. На самом деле, это настолько хорошо, что я создал серию из задания. Поскольку курс относительно устарел (все еще ОЧЕНЬ актуален), он преподавался в MatLab, который, по моему мнению, был не так полезен, как python. Я преобразовал код MatLab в Python для всех заданий, чтобы попрактиковаться в программировании на Python, и это оказалось отличным дополнением к моему резюме. Ознакомьтесь с первой частью серии здесь.

Этот курс также подтвердил мою точку зрения на то, что я хочу достичь совершенства в ваших основах математики, поскольку большая часть теории требует некоторых базовых понятий в области исчисления и линейной алгебры. Обязательно освежите свою память на эти темы, потому что если вы не будете хорошо знать основы, вам будет сложно. Эндрю Нг, хотя и проделал большую работу по упрощению концепций, все же сумел глубоко погрузиться в каждую тему и дал нам достаточно информации о каждом алгоритме. Вам следует привыкнуть к количеству математики в этом курсе, и, как я могу вас заверить, работа в качестве специалиста по данным требует, по крайней мере, таких же знаний по математике. Итак, это прекрасное время, чтобы познакомиться с некоторыми из этих математических обозначений.

Не уверен, что это поможет найти работу, но я купил сертификат, чтобы продемонстрировать свои знания в своем резюме. Я бы сказал, получите это, если можете себе это позволить, особенно для такого нетехнического человека, как я. Сертификат служит доказательством моих знаний.

Далее идет Введение в машинное обучение для программистов от fast.ai.

Я бы сказал, что курсы фастая мне не нравились. Не заблуждайтесь, это отличный курс с актуальным содержанием. Однако я не привык к такой реализации. Джереми Ховард, преподаватель курса, придерживается принципа «сначала код». Это означает, что он познакомит вас с кодами построения современных моделей, прежде чем вводить теории, лежащие в основе каждого алгоритма. Привыкнув к стандартной обстановке в классе, я никак не мог привыкнуть к такому методу обучения. Когда я просматриваю коды, у меня возникает так много вопросов, что я почувствовал разочарование на полпути. Тем не менее, этот подход идеально подходит для тех, кто предпочитает в первую очередь практические занятия.

Несмотря на это, я по-прежнему настоятельно рекомендую этот курс, поскольку идеи и передовой опыт Джереми очень ценны. Джереми включил в этот курс множество лучших отраслевых практик и постоянно обновляет свои учебные материалы. Учащиеся могут узнать у Джереми, как вести свой собственный проект по науке о данных, о сквозных процессах анализа данных и многом другом. Он представил небольшое количество алгоритмов по сравнению с курсом Эндрю Нг по машинному обучению, но эти алгоритмы в настоящее время являются лучшими в отрасли алгоритмами, которые могут давать самые современные результаты.

Так что не пропустите идеи Джереми и возможности этого бесплатного курса.

Переходим к глубокому обучению.

Специализация глубокого обучения Эндрю Нг.

Опять же, еще один курс Эндрю Нг. На этот раз вся его специализация - от знакомства с нейронными сетями до модели последовательностей.

Вот и вся разбивка.

  1. Нейронные сети и глубокое обучение
  2. Улучшение глубоких нейронных сетей: настройка гиперпараметров, регуляризация и оптимизация
  3. Структурирование проектов машинного обучения
  4. Сверточные нейронные сети
  5. Последовательные модели

Ничего не сказать о качестве этих курсов, как всегда, потрясающе. Эта специализация полностью изучается на Python, что делает задание актуальным и применимым к внешнему миру. Tensorflow и Keras также входят в число самых популярных фреймворков глубокого обучения, поэтому их изучение никогда не пойдет не так. Реализация аналогична курсу машинного обучения, где задания по программированию для проверки ваших знаний даются после теоретического объяснения концепций.

Однако следует отметить одну вещь: убедитесь, что вы уже знакомы с python, поскольку кривая обучения может быть крутой, если это ваш первый контакт с Tensorflow / Keras. Ожидайте, что для выполнения заданий придется много гуглить и искать документацию, так как будет меньше рук. Это хороший момент, поскольку вам, как специалисту по данным, следует научиться программировать независимо.

Здесь все усложняется, если вы не хотите платить за курс. Стоимость этой специализации составляет 49 долларов США в месяц с возможностью бесплатного аудита каждого курса. Однако у вас не будет доступа к тестам и заданиям по программированию, которые, как мне кажется, являются наиболее важной частью этих курсов. Если вам действительно нужна помощь в финансировании курса, можно воспользоваться финансовой помощью. Только не забудьте подать заявку на каждый из 5 курсов отдельно.

Последний курс в списке, Практическое глубокое обучение для программистов от fast.a i.

Комментарии, похожие на Машинное обучение для программистов от fastai. Следует отметить один важный момент: этот курс основан исключительно на библиотеке fastai.

Плюсы библиотеки Fastai

  • Лучшие практики в качестве параметров по умолчанию
  • Современная производительность в нескольких строках кода

Минусы библиотеки Fastai

  • Не лучшая документация
  • менее популярный фреймворк, возможно, не будет использоваться на вашем рабочем месте

Одна история, которой можно поделиться. Во время моего соревнования по искусственному интеллекту нам было поручено провести классификацию изображений 15 различных человеческих поз. При построении базовой модели для задачи мы тестировали модель Keras вместе с моделью fastai. Модель fastai дает нам точность 60%, используя только параметры по умолчанию, в то время как модель, построенная с использованием Keras, справляется только с 40%, я бы сказал, огромная разница. Нет сомнений в возможностях fastai, и на самом деле я думаю, что это одна из самых оптимизированных библиотек. Однако, в зависимости от среды вашего рабочего места, использование fastai может не одобряться. Тем не менее, я все же рекомендую пройти курс, так как он совершенно БЕСПЛАТНЫЙ.

На этом сериал завершился. Используя эту учебную программу по науке о данных, мне удалось участвовать в соревнованиях и получить свою первую работу в области науки о данных. Не для продвижения этой учебной программы, но если вы заблудились и не знаете, с чего начать, я настоятельно рекомендую вам начать здесь.

Неважно, насколько медленно вы двигаетесь, пока вы не останавливаетесь.

Спасибо!