Как следует из приведенного выше высказывания, неплохо знать, какой будет конечная цель всего вашего учебного процесса и какие типы решений возможны с использованием машинного обучения.
На рынке доступно несколько очень хороших кроссплатформенных продуктов (как Google, так и не Google), которые могут помочь вам почувствовать вкус того, что возможно, и, возможно, вдохновить вас!
Некоторые из инструментов, которые я пробовал, включают:
- Google Cloud AutoML (бета):
Это решение для машинного обучения от Google выводит информацию из заданного набора данных без необходимости написания ни единой строчки кода. Вы действительно можете создавать очень сложные модели машинного обучения, используя AutoML, но загвоздка здесь в том, что если ваш набор данных превышает определенный предел. Но, тем не менее, это очень хорошо для экспериментов. - Firebase ML Kit (бета):
Я лично начал с экспериментов с недавно выпущенным Firebase ML Kit и экспериментов со встроенными API, которые должны были сделать простой «Android на базе ML. Программы". ML Kit имеет встроенные API-интерфейсы для некоторых очень распространенных действий, а также для работы с пользовательской моделью, созданной с помощью AutoML. - Fritz Mobile SDK:
У Fritz есть мобильное решение, которое имеет не только несколько встроенных API-интерфейсов для решения распространенных проблем на основе машинного обучения, таких как обнаружение объектов и маркировка изображений, но и позволяет вам чтобы продолжить и запустить пользовательскую модель, созданную из AutoML выше! (Отказ от ответственности: Heartbeat спонсируется Fritz)
Список для чтения:
- Передовые модели машинного обучения: мобильные устройства и Интернет вещей
- Жизненный цикл моделей мобильного машинного обучения
- Машинное обучение на мобильных устройствах: 3 шага для развертывания машинного обучения в ваших приложениях
- Создание реального Pokedex с помощью Tensorflow
- Создание клона Google Lens с помощью Firebase ML Kit
Эта исследовательская / экспериментальная фаза дает вам очень хорошее представление о том, что существует, и, возможно, несколько хороших идей для приложений, которые вы можете создать с использованием машинного обучения.
Прыжок веры
Хотя приведенные выше решения дают вам общий обзор того, на что способно машинное обучение, их может быть недостаточно, чтобы дать вашему мозгу максимум, необходимый для поддержания мотивации с помощью математики, с которой мы столкнемся позже.
Эта часть включала создание и обучение вашей собственной модели. Но математическая часть вещей остается абстракцией.
Здесь вы встретите TensorFlow, который станет вашим лучшим другом на протяжении всего вашего пути в качестве мобильного разработчика машинного обучения.
К счастью, у Google есть замечательная лаборатория кодов - TensorFlow For Poets, которая поможет вам создать и обучить пользовательскую модель классификации изображений. Это руководство научит вас основам сбора данных, оптимизации модели и другим ключевым компонентам, участвующим в создании вашей собственной модели.
Эта лаборатория кода разделена на две части. Первая часть посвящена созданию и обучению модели, а вторая часть посвящена TensorFlow Lite, мобильной версии TensorFlow, которая позволяет запускать ту же модель на мобильном устройстве.
Кодовая лаборатория охватывает очень простой пример классификации между разными видами цветов, но вы можете расширить этот пример, чтобы создать свою собственную модель, что я и сделал, и в конечном итоге создал настоящий Pokédex!
Примечание. Созданную здесь модель можно интегрировать в приложение Android с помощью ML Kit Firebase или Fritz SDK (см. выше). Вы можете ознакомиться с подробным руководством по этому поводу здесь:
Использование TensorFlow Lite и ML Kit для создания« Pokédex на Android
Эта история - пятая в серии MLKit для мобильных разработчиков.
Если вы не совсем в курсе, вы можете… heartbeat.comet.ml »
На волнах! 🌊
Мы надеемся, что изучение описанных выше концепций воодушевит и мотивирует вас достаточно, чтобы идти вперед и противостоять математике и статистике, используемым в машинном обучении.
Вот один из способов подумать о том, чтобы глубже погрузиться в наиболее распространенные алгоритмы и концепции, используемые в машинном обучении, и при этом убедиться, что вы не заходите слишком далеко и не чувствуете себя перегруженным.
Начните с понимания 1 концепции и алгоритма в неделю вместе с образцом проекта, в котором используется этот алгоритм. Затем постепенно увеличивайте это число, когда / если вы почувствуете себя комфортно.
Ниже я перечислил некоторые ресурсы, которые до сих пор приносили мне пользу. Просмотрите их, чтобы лучше понять математику, лежащую в основе машинного обучения. В идеале вам следует просматривать курсы и ресурсы в том порядке, в котором я их перечислил.
- Исчисление
Любите вы или ненавидите, машинное обучение - это то, где ваша школьная математика будет проверена. Если вы, как я, грубоваты, эти видео размером с байты обеспечат вам основы. - Ускоренный курс по машинному обучению от Google
Вводный ускоренный курс по машинному обучению, цель которого дать вам обзор машинного обучения с помощью TensorFlow. - Канал Сираджа Равала на YouTube
Что еще нужно сказать? Это лучший канал, по которому вы можете увидеть примеры проектов, выполненных с использованием машинного обучения. У Сираджа Равала также есть несколько очень хороших плейлистов со структурированными видео по машинному обучению. - Fast.ai
Курс глубокого обучения, который ставит вас на место водителя и фокусируется на обучении на практике. - Kaggle
Kaggle - это GitHub для науки о данных с огромным количеством наборов данных, доступных бесплатно для всех. Есть также ежедневные соревнования, которые награждают вас за исключительную производительность. - Исследуй
Обучение - это процесс на всю жизнь, поэтому исследуй и экспериментируй как можно больше!
Итак, это все, я надеюсь, что перечисленные выше ресурсы помогут поддерживать ваш мозг в настроении для машинного обучения, потому что машинное обучение больше не просто ажиотаж, и чем раньше вы его поймете, тем лучше!
Если у вас есть вопросы или какие-либо отзывы по любой из тем, изложенных выше, или если вы знаете о хорошем ресурсе, который не был освещен в сообщении в блоге выше, оставьте комментарий ниже.
Спасибо за внимание! Если вам понравилась эта история, пожалуйста, нажмите кнопку 👏 и поделитесь, чтобы найти других! Не стесняйтесь оставлять комментарии 💬 ниже.
Есть отзывы? Давайте подключимся в Твиттере.
Вы хотите начать создавать отличные приложения для Android? Посмотрите мой курс Coding Bocks.
Обсудите этот пост в Hacker News.
Примечание редактора. Heartbeat - это онлайн-публикация и сообщество, созданное авторами и посвященное предоставлению первоклассных образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая редакция, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по обработке данных и группам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим участникам и не продаем рекламу.
Если вы хотите внести свой вклад, отправляйтесь на наш призыв к участникам. Вы также можете подписаться на наши еженедельные информационные бюллетени (Deep Learning Weekly и Comet Newsletter), присоединиться к нам в » «Slack и подписаться на Comet в Twitter и LinkedIn для получения ресурсов, событий и гораздо больше, что поможет вам быстрее и лучше строить лучшие модели машинного обучения.
