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!

  1. Варианты фреймворка:

а. Тензорфлоу и Керас

б. Pytorch

2) Как действовать (это субъективно, так что это мое мнение):

  1. Начинающие:
  2. Пройдите курсы 3) 1 и 2. Глубокое обучение - самый важный курс, поэтому, если у вас нет времени, просто выполните [3) 2].
  3. Познакомьтесь с пакетами (5). Найдите шпаргалки в разделе ресурсов [7) 8].
  4. 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.
  5. Начните реализовывать мой код репо [8) 2, 3], если вы хотите получить представление о нем или о любой другой реализации, которую вы обнаружите.
  6. Общайтесь с людьми и страницами в LinkedIn и Twitter.
  7. Умеренный:
  8. Пройдите курс 3a) 2, чтобы подробно изучить основы.
  9. Читайте блоги / исследования.
  10. Практика из соревнований (6).
  11. Общайтесь с людьми и страницами в LinkedIn и Twitter.
  12. Помочь другим.
  13. Продвигать:
  14. Практика из соревнований (6).
  15. Читайте блоги / исследования для алгоритмов глубокого обучения.
  16. Общайтесь с людьми и страницами в LinkedIn и Twitter.
  17. Помочь другим

3) Хорошие курсы:

Аранжировка по важности:

  1. Для основ: https://www.coursera.org/learn/machine-learning
  2. Рекомендуемый курс: https://www.coursera.org/specializations/deep-learning
  3. 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
  4. По основам компьютерного зрения: https://www.udacity.com/course/introduction-to-computer-vision--ud810
  5. Для Pytorch: https://pytorch.org/tutorials/ https://course.fast.ai/

4) Важные алгоритмы:

  1. Линейная регрессия
  2. Логистическая регрессия
  3. Нейронная сеть
  4. Сверточная нейронная сеть
  5. Машины опорных векторов
  6. K означает
  7. KNN
  8. Случайный лес
  9. Автоэнкодер
  10. Вариационный автоэнкодер
  11. Генеративная состязательная сеть (GAN)
  12. Обучение с подкреплением (в нем есть кое-что еще!)

5) Важные инструменты / пакеты (Python):

  1. Numpy
  2. Панды
  3. Scikit Learn
  4. OpenCV
  5. nltk

6) Соревнования:

  1. Https://www.kaggle.com/competitions
  2. Https://www.crowdanalytix.com/community
  3. Https://www.drivendata.org/
  4. Https://datahack.analyticsvidhya.com/?utm_source=main-logo

7) Ресурсы:

  1. Блог (используйте для поиска необходимых тем): https://medium.com/
  2. Блог (используйте для поиска необходимых тем): https://www.analyticsvidhya.com/
  3. 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
  4. 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:

  1. Учить латекс
  2. 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.
  3. Моя ссылка на Git Hub: https://github.com/kumarankit1996?tab=repositories
  4. Используйте Google Colab с графическим процессором, если вы не хотите, чтобы ваш ноутбук горел: https://colab.research.google.com/notebooks/welcome.ipynb
  5. Мой LinkedIn: https://www.linkedin.com/in/ankitksinha/