Оптимальный шаг инициализации для нашего личного обучения.

В предыдущих статьях другие затрагивали проблему локального и глобального оптимума. При минимизации функции потерь мы должны быть осторожны с локальными оптимумами. Чтобы избежать этого, мы инициализируем алгоритм обучения с помощью ряда случайных инициализаций. Как мы можем применить это решение к нашему личному обучению?

Случайная инициализация знаний… что?

По общему признанию, этот точный перевод не имеет особого смысла. Однако то, что мы можем извлечь из важности инициализации в машинном обучении, - это четко указать вашу отправную точку.

Точка инициализации моего собственного обучения

Чтобы представить эти мысли в некоторой перспективе, я поделюсь личным примером. Три года назад я начал изучать эконометрику и операционные исследования. Эта программа бакалавриата включает в себя тщательное обучение матричной алгебре, теории вероятностей, исчислению, линейному программированию и оптимизации. После изучения этих основных курсов я смог выбрать из множества углубленных онлайн-курсов по Data Science.

Ключ к сохранению мотивации (и веселью)

Понимание точки инициализации должно определять ваш выбор курса. Если вы сразу перейдете к слишком сложным вещам, вам станет действительно сложно оставаться активным. В то же время люди часто недооценивают добавленную стоимость тщательно объясненного исследовательского анализа данных. Если вы начнете с малого, вы позволите себе немедленно применить на практике то, что вы узнали. Это поможет вам сохранить динамику и познакомит вас с удовольствием отладки кода с самого начала.

Мой совет по развитию тем

После того, как вы выполнили свой первый исследовательский анализ данных и представили некоторые новые идеи (аудитории друзей / семьи / соучеников или коллег). Изучение моделей обучения без учителя кажется логичным. Применяя такие модели, вы ищете основные закономерности, которые удерживаются в вашем наборе данных. Опять же, простейшие модели уже могут привести к незаменимым выводам. Работа с перегрузкой информации сильно нагружает наши когнитивные способности, поэтому любое обобщение закономерностей приветствуется.

Подводя итог этой статье, когда вы начнете изучать Data Science, пожалуйста, помните о вашей личной точке инициализации. Начните с вашего личного опыта и строите оттуда. Персональное обучение происходит, когда вы совмещаете теоретические знания с практикой в ​​подходящей вам обстановке.