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

Совет. Попробуйте расширения для блокнотов Jupyter, которые совершенно классные.

Шаг 2а: Python для науки о данных

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

Теория вероятности

Линейная алгебра

Исчисление

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

Совет 2. Каждый раз, когда вы изучаете алгоритм, убедитесь, что вы делаете следующее.

  1. Понять основную интуицию того, как это работает (без математики)
  2. Затем попытайтесь понять лежащую в основе математику (базовая интуиция, которую вы уже приобрели, даст достаточно уверенности, чтобы взломать математику)
  3. 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.)
  4. 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.

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

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!