Простой путь обучения, чтобы начать с машинного обучения.
Эту статью также можно назвать «Простой путь обучения, чтобы стать супергероем». Да, вы не ослышались! Мы, люди, преуспеваем в творчестве, обучении и выводах, в то время как машины преуспевают в вычислениях и памяти. Здесь вы пытаетесь научиться сочетать и то, и другое с помощью машинного обучения, тем самым создавая безграничные возможности для улучшения жизни людей.
Давайте перейдем к пути обучения. Я разработал этот путь обучения, чтобы он был максимально простым, так как многие люди, начинающие заниматься машинным обучением, ошеломляют количеством ресурсов, которые они находят в Интернете. Я также приложил образец плана действий для завершения этого пути.
Шаг 1. Решите, подходит ли вам машинное обучение!
Проанализируйте следующее!
- Что такое искусственный интеллект (AI) и машинное обучение (ML)?
- Влияние и применение искусственного интеллекта / машинного обучения в различных отраслях, таких как здравоохранение, финансы, сельское хозяйство и т. Д., И то, как он улучшает жизнь людей.
- Навыки, необходимые для AI / ML
Примечание. Не позволяйте увлечению искусственным интеллектом, которое происходит вокруг нас, позволить вам начать с машинного обучения. Если вы действительно уверены в его воздействии и чувствуете, что это ваша чашка чая, тогда дерзайте. Потратьте время на их анализ. Если да, переходите к следующему шагу
Шаг 2. Изучите и практикуйте Python
- Почему Python для машинного обучения?
- Рекомендуемые учебные ресурсы
- Настроить локальную среду
- Эксперимент в J upyter notebook
- Создайте простой проект на python наподобие игр atari.
- IDE: PyCharm или VisualStudio
Совет. Попробуйте расширения для блокнотов Jupyter, которые совершенно классные.
Шаг 2а: Python для науки о данных
- Смотрите Экосистему Python для науки о данных
- Прочтите Библиотеки Python для науки о данных
- Примеры кода
Наиболее часто используемые библиотеки
- Библиотеки обработки данных: numpy, pandas
- Библиотеки визуализации данных: matplotlib, seaborn, bokeh
- Библиотеки машинного обучения: scipy, scikit-learn
- Развертывание модели: Flask, Django
Примечание. Это только наиболее часто используемые библиотеки, а не весь набор.
Шаг 3. Обновите основы математики для старших классов
Основные области математики
- Статистика
- Теория вероятности
- Линейная алгебра
- Исчисление
Совет. Вместо того, чтобы переходить по темам, выбирайте темы, которые более важны для машинного обучения.
Статистика
- Прочтите Подробное руководство
- Смотреть Академия хана
Теория вероятности
- Прочтите Подробное руководство
- Прочтите Базовые дистрибутивы
- Смотреть Академия хана
Линейная алгебра
- Прочтите Подробное руководство
- Смотреть Академия хана
- Часы 3blue1brown
Исчисление
- Прочтите Подробное руководство
- Смотреть Академия хана
- Часы 3blue1brown
Совет. Это нормально, если вы пропустите этот шаг и изучите необходимые математические концепции, где бы вы их ни встретили. Но я настоятельно рекомендую вам пройти хотя бы основы (подробные руководства и видео Академии Хана в этом плейлисте), поскольку это поможет вам почувствовать себя комфортно, когда вы будете проходить через алгоритмы машинного обучения.
Шаг 4. Структурированные онлайн-курсы - MOOC
i) Машинное обучение Coursera AndrewNg
ii) Изучите алгоритмы, не описанные в MOOC
- Наивный байесовский
- Алгоритмы на основе деревьев: деревья решений, алгоритмы пакетирования, такие как RandomForest, и алгоритмы повышения, такие как XGBoost, CatBoost, LightGBM и т. Д.,
- K Ближайший сосед и т. Д.,
Совет 1. Выполняйте задания на Python, а не в MatLab или Octave
- Реализация заданий на Python 1
- Реализация заданий на Python 2
- Линейная регрессия и логистическая регрессия с объяснением
Совет 2. Каждый раз, когда вы изучаете алгоритм, убедитесь, что вы делаете следующее.
- Понять основную интуицию того, как это работает (без математики)
- Затем попытайтесь понять лежащую в основе математику (базовая интуиция, которую вы уже приобрели, даст достаточно уверенности, чтобы взломать математику)
- Реализуйте алгоритм с нуля на Python (по крайней мере, для очень важных концепций, таких как линейная регрессия, логистическая регрессия, градиентный спуск, нейронные сети и т. Д.)
- Решите простую реальную проблему, загрузив соответствующий набор данных. На этом этапе вы можете использовать библиотеки машинного обучения.
Совет 3. Документируйте и храните свой код в Github
Шаг 4а: Исследовательский анализ данных (EDA)
Примечание. EDA имеет решающее значение, так как вы будете тратить большую часть своего времени на изучение и визуализацию данных в проектах машинного обучения, что поможет вам лучше разрабатывать функции (делая ваши данные более понятными для алгоритмов) и лучше принятие решений при настройке ваших алгоритмов.
Шаг 4b: конвейер машинного обучения
Образец трубопровода
Метрики оценки
Настройка гиперпараметров
Примечание. Создайте простой непрерывный конвейер машинного обучения, используя все изученные концепции.
Сбор данных → Изучение и преобразование данных (EDA) → Разработка модели → Оценить модель → Развернуть модель → Ведение
Важный совет: после того, как вы закончите с алгоритмами линейной и логистической регрессии в MOOC, вы должны начать с шага 4a (EDA) → шага 4b (конвейер машинного обучения) → шага 5 (решение проблем с наборами данных) параллельно, при этом оставшееся обучение алгоритмы
Шаг 5: Начните решать проблемы с наборами данных.
- Просмотрите решенные проблемы в качестве справки из ядер Github или Kaggle.
- K аггл ядра
- Пример: Титаник.
- Места для поиска наборов данных
- Площадки для соревнований
Совет. Начните с простого и повторяйте. Не пытайтесь создать идеальную модель с самого начала. Начните с простого конвейера, который обеспечивает вывод для вашего ввода, а затем попытайтесь улучшить его итеративно. Если вы скоро проиграете, это поможет вам узнать больше о вашей проблеме!
Шаг 6. Начните с глубокого обучения
Примечание. Пройдите любой из указанных выше курсов (подробный курс обучения находится в стадии разработки).
Образец / рекомендуемый план действий
Предполагая, что 8–10 часов в неделю,
Совет: учитесь на практике. Составьте план, соответствующий вашим потребностям.
Другие ресурсы для машинного обучения
Источники данных
Платформы для соревнований
Совет: ваша первая задача - построить простой сквозной конвейер для данной проблемы, отправить решение и увидеть свое имя в таблице лидеров. Затем попробуйте улучшить свое решение итеративно, что позволит вам продвинуться выше в таблице лидеров, и фактическое обучение происходит здесь, в итерации.
Лучшие блоги
Лучшие форумы
Совет. Загрузите приложение Feedly и подпишитесь на все эти блоги, форумы и информационные бюллетени.
Образовательные ресурсы
- Учебное пособие по науке о данных для начинающих
- Python-граф-галерея
- Машинное обучение-глоссарий
- Машинное обучение для людей
- Машинное обучение-101
Шпаргалки
Лучший контент Youtube
Присоединяйтесь к сообществу AI
Примечание. Активное участие в этих сообществах поможет вам оставаться мотивированными и получать информацию о последних достижениях искусственного интеллекта.
Совет. Создайте профессиональный профиль и следите за активными членами сообщества и руководителями исследований после регистрации.
Важное примечание. Темы и ресурсы, упомянутые в этом документе, - всего лишь капля в море. Пожалуйста, не ограничивайте себя только этими ресурсами.
Заключительные примечания:
Не стесняйтесь оставлять сообщение, если вы где-то застряли или запутались! Ваши комментарии значительно улучшат этот путь обучения. Также дайте мне знать в комментариях, если вы хотите что-то добавить к нему. Вот ссылка на версию Github этого учебного курса, которую я буду часто дорабатывать и обновлять! Делитесь этим с тем, кому это помогает!
Учиться! Упражняться! Делать ошибки! Учитесь на этих ошибках! Повторить!
Все самое лучшее! Удачного машинного обучения 👍✌️!
Спасибо за чтение, свяжитесь со мной здесь!