Обзор курса: Специализация "Математика машинного обучения"
Один из важных фундаментальных блоков машинного обучения - математика. Те, кто не разбирается в математике машинного обучения, никогда не поймут концепции, лежащие в основе различных API-интерфейсов python / R.
Когда я впервые погрузился в океан машинного обучения, я выбрал курс машинного обучения Стэнфорда, который ведет Эндрю Нг на Coursera. Он отличный преподаватель в этой области и имеет многолетний опыт работы.
Поскольку он преподает машинное обучение, я бы сказал, издавна, его концепции очень хорошо поняты и усвоены. Но разве мы, как новички и работающие профессионалы, так хорошо поняли и усвоили наши концепции? Я бы сказал нет. Чаще всего работающие профессионалы теряют понимание нескольких основных понятий.
Я хорошо разбирался в них еще в колледже, но эти знания улетучились. Как и ожидалось, у меня были тяжелые времена, когда курс Stanford ML прогрессировал, особенно с некоторыми математическими выводами. Чтобы дать вам лучшее представление о содержании этого курса, каждый подмодуль длится одну неделю, но для той же темы может быть свой собственный курс, охватывающий 3–4 недели.
Поэтому я остановил его на 6 неделе и начал этот курс: Математика специализации машинного обучения Имперского колледжа Лондона.
Давайте рассмотрим этот курс.
Специализация состоит из трех курсов: Линейная алгебра, многомерное исчисление и анализ главных компонент. Продолжительность каждого из этих курсов составляет 4–6 недель.
- Линейная алгебра
Этот курс посвящен векторам и различным важным концепциям, связанным с векторами, которые необходимы для решения задач машинного обучения. Как сказал сам инструктор, этот курс не предназначен для детального понимания векторов и овладения векторами. Но этот курс должен иметь достаточные знания о векторе, чтобы иметь возможность использовать векторы при решении задач для машинного обучения.
Преподаватель начинает с того, что такое вектор, то есть с точечного произведения, интуиции скалярного произведения, базисных векторов, изменения базовых векторов. до собственных значений и собственных векторов.
Вторая часть этого курса - это матричное представление векторов, матричные операции и способы применения концепций базисных векторов к матрицам.
В этом курсе используется знаменитый алгоритм Google Page Ranking упражнение, которое просто показывает, насколько важны векторы и матрицы для этой области. - Многомерное исчисление
Как следует из названия, этот курс посвящен дифференцированию одной переменной, многопараметрическому дифференцированию, цепному правилу, якобианам, гессианскому множителю Лагранжа и рядам Тейлора. Этот курс легко понять, так как многие студенты уже ознакомились с этими концепциями в рамках требований к бакалавриату.
Этот курс помогает развить интуицию этих концепций по отношению к многомерным графам и узнать, как их использовать для поиска оптимальные решения.
Многие студенты, возможно, всегда задавались вопросом о применении этих концепций в будущей жизни. Что ж, если вы начинающий специалист по данным, этот курс поможет вам ответить на эти вопросы. - Анализ основных компонентов
Я столкнулся с трудностями в понимании этого курса, но после просмотра видеороликов и просмотра дискуссионного форума я устранил все препятствия. Этот курс сложен, хотя его содержание меньше по сравнению с двумя другими курсами.
Какие бы концепции ни были рассмотрены в первых двух курсах, они применяются здесь для понимания одной важной концепции машинного обучения: анализа основных компонентов. Этот курс предполагает, что вы уже знакомы с библиотекой Python, numPy.
Он начинается с небольшого количества статистики, точек и ортогональности между векторами, проекции в матрицах, концепций многомерного исчисления. Может показаться, что это один из первых двух курсов, но по мере прохождения курса становится немного сложнее, так как вы должны решать задание по программированию.
Вы можете столкнуться с проблемами при выполнении задания по программированию, если вы не знакомы с numPy и другими библиотеки Python. Мне показалось, что это сбивает с толку, но обсуждения на форуме придут на помощь, если только у вас будет настойчивость, чтобы их проанализировать.
Мое мнение:
В целом курсы просто фантастические. Я чувствую, что были охвачены все необходимые математические концепции для начала машинного обучения.
Я думаю, что могу оценить содержание курса, потому что я знаю, где эти концепции использовались в машинном обучении, в отличие от очень новичка. У меня определенно было прозрение, когда я понял некоторые из выводов / концепций этого курса. Когда я проходил курс машинного обучения в Стэнфорде, у меня были некоторые сомнения в выводах, которые, как мне кажется, этот курс очень хорошо проясняет.
Тесты дают вам больше информации об изучаемых концепциях и ждут от вас нестандартного мышления.
Хотя было несколько раз, когда мне приходилось обращаться к другим источникам, таким как youtube и т. Д., Чтобы понять концепции. Однако я не думаю, что это снижает очарование этого курса.
Всегда хорошо быть внимательным - разные источники дают разные мнения и предлагают более глубокое понимание тем. По крайней мере, они служат хорошей переработкой.
Вывод:
Этот курс очень хорош для новичков, которые начинают изучать математику машинного обучения. Я бы дал ему 4,5 / 5 звезд.
Я бы рекомендовал обратиться к другим источникам, когда вы закончите этот курс.
