Всем привет, я энтузиаст ИИ, который столкнулся с трудностями из-за отсутствия руководства по запуску ИИ. Поэтому я подумал о написании этой статьи, чтобы помочь другим новичкам в создании дорожной карты, чтобы продолжить.
Я не эксперт в этой области и не писатель. Пожалуйста, оставьте отзыв, если это поможет вам или даже если у вас есть какие-либо предложения.
Так что эта статья будет представлять собой тщательно подобранный список ресурсов и несколько советов о том, как действовать дальше.
Насколько мне известно, это меня не спонсирует. Это просто то, что я использовал, искал и исследовал. Это может быть что-то не так или отсутствует, так что держите меня в курсе!
- Варианты фреймворка:
а. Тензорфлоу и Керас
б. Pytorch
2) Как действовать (это субъективно, так что это мое мнение):
- Начинающие:
- Пройдите курсы 3) 1 и 2. Глубокое обучение - самый важный курс, поэтому, если у вас нет времени, просто выполните [3) 2].
- Познакомьтесь с пакетами (5). Найдите шпаргалки в разделе ресурсов [7) 8].
- Если вы не поняли после видео с Andrew NG, выполните поиск в Medium, Analytics Vidhya и т. Д. После этого также, если вы не понимаете, свяжитесь с нами.
- Начните реализовывать мой код репо [8) 2, 3], если вы хотите получить представление о нем или о любой другой реализации, которую вы обнаружите.
- Общайтесь с людьми и страницами в LinkedIn и Twitter.
- Умеренный:
- Пройдите курс 3a) 2, чтобы подробно изучить основы.
- Читайте блоги / исследования.
- Практика из соревнований (6).
- Общайтесь с людьми и страницами в LinkedIn и Twitter.
- Помочь другим.
- Продвигать:
- Практика из соревнований (6).
- Читайте блоги / исследования для алгоритмов глубокого обучения.
- Общайтесь с людьми и страницами в LinkedIn и Twitter.
- Помочь другим
3) Хорошие курсы:
Аранжировка по важности:
- Для основ: https://www.coursera.org/learn/machine-learning
- Рекомендуемый курс: https://www.coursera.org/specializations/deep-learning
- Для реализации Tensorflow: https://www.coursera.org/specializations/tensorflow-in-practice?utm_source=banners&utm_medium=coursera&utm_content=logged-out&utm_campaign=2019June-TensorflowPractice
- По основам компьютерного зрения: https://www.udacity.com/course/introduction-to-computer-vision--ud810
- Для Pytorch: https://pytorch.org/tutorials/ https://course.fast.ai/
4) Важные алгоритмы:
- Линейная регрессия
- Логистическая регрессия
- Нейронная сеть
- Сверточная нейронная сеть
- Машины опорных векторов
- K означает
- KNN
- Случайный лес
- Автоэнкодер
- Вариационный автоэнкодер
- Генеративная состязательная сеть (GAN)
- Обучение с подкреплением (в нем есть кое-что еще!)
5) Важные инструменты / пакеты (Python):
- Numpy
- Панды
- Scikit Learn
- OpenCV
- nltk
6) Соревнования:
- Https://www.kaggle.com/competitions
- Https://www.crowdanalytix.com/community
- Https://www.drivendata.org/
- Https://datahack.analyticsvidhya.com/?utm_source=main-logo
7) Ресурсы:
- Блог (используйте для поиска необходимых тем): https://medium.com/
- Блог (используйте для поиска необходимых тем): https://www.analyticsvidhya.com/
- Кураторский список ресурсов ИИ: https://medium.com/machine-learning-in-practice/my-curated-list-of-ai-and-machine-learning-resources-from-around-the-web- 9a97823b8524
- Следуйте этим за ресурсами:
Https://www.linkedin.com/in/nabihbawazir/
Https://www.linkedin.com/in/stevenouri/
Https://www.linkedin.com/in/asif-bhat/
5. Хорошая коллекция ресурсов по машинному обучению: https://github.com/ChristosChristofidis/awesome-deep-learning
6. Поиск по набору данных: https://toolbox.google.com/datasetsearch
7. Коллекция ресурсов по глубокому обучению: https://github.com/kmario23/deep-learning-drizzle
8. Памятка по всем наукам о данных: https://github.com/abhat222/Data-Science--Cheat-Sheet
9. Хороший глоссарий терминологии машинного обучения: https://developers.google.com/machine-learning/glossary/
10. Библиотека Pgmpy для библиотеки вероятностных графических моделей: http://pgmpy.org/
11. Блоги по компьютерному зрению: https://www.pyimagesearch.com/
12. Блоги по компьютерному зрению: https://www.learnopencv.com/
13. Учебная программа по обработке естественного языка: https://github.com/llSourcell/Learn-Natural-Language-Processing-Curriculum
14. Учебная программа по компьютерному зрению: https://github.com/llSourcell/Learn_Computer_Vision
15. Ищите небольшие шпаргалки для реализации, поскольку Python имеет огромную библиотеку коллекций, так что вы можете пропустить какой-нибудь простой путь.
8) Разное:
- Учить латекс
- Если вы действительно не знаете, что кодировать, попробуйте воспроизвести и улучшить мои проекты. Все мои коды присутствуют с описаниями и отчетом (не судите о моей работе, так как я тоже был новичком в этом в прошлом году, но в любом случае мне все равно! Хахаха). Набор данных Cedar ‘And’ можно найти в репозитории AML_proj. Дома прогнозов и эмоции в репо хакерского ранга.
- Моя ссылка на Git Hub: https://github.com/kumarankit1996?tab=repositories
- Используйте Google Colab с графическим процессором, если вы не хотите, чтобы ваш ноутбук горел: https://colab.research.google.com/notebooks/welcome.ipynb
- Мой LinkedIn: https://www.linkedin.com/in/ankitksinha/