Этот пост представляет собой краткое описание курса навыков «Машинное обучение с помощью Python», который состоит из следующих четырех курсов: «Обучение с учителем с помощью scikit-learn», «Обучение без учителя на Python», «Машинное обучение с экспертами: школьные бюджеты» и «Глубокое обучение на Python»
Следуя моему предыдущему посту о курсе «Обучение с учителем с помощью scikit-learn», я поделюсь своими мыслями по всей дорожке навыков машинного обучения.
Курс «Обучение без учителя в Python» построен так же, как и курс «Обучение с учителем с помощью scikit-learn». Общая идея обучения без учителя хорошо представлена, начиная с кластеризации данных. После этого визуализация данных подробно обсуждается с использованием, в частности, двух методов, а именно иерархической кластеризации и t-SNE. Обе темы хорошо объясняются в видеороликах, поэтому упражнения не слишком сложны. Основываясь на этом фундаменте, уменьшение размерности объясняется с помощью самого фундаментального метода: «Анализ основных компонентов» («PCA»), это может быть довольно сложно, и поэтому я бы рекомендовал не торопиться с этими упражнениями, не вдавайтесь в кнопка подсказки слишком рано! В Google есть что найти! Затем обсуждается другой метод уменьшения размерности, а именно «неотрицательная матричная факторизация» («NMF»).
«Машинное обучение с экспертами: школьные бюджеты», в отличие от двух предыдущих курсов, этот курс представляет собой тематическое исследование, в котором применяются ранее изученные методы. Курс начинается с простой модели, а затем уточняется. Последний курс трека «Deep Learning in Python» в моем опыте определенно был самым захватывающим! В этом курсе вы создадите свою собственную нейронную сеть с несколькими скрытыми слоями, видео с объяснениями очень информативны. Особое внимание уделяется пониманию теории, лежащей в основе этой модели, и поэтому некоторые упражнения проверяют ваши теоретические знания по этому вопросу. Ближе к концу модели представлен Керас, который используется для построения модели.
В целом, я бы сказал, что этот трек затрагивает многие аспекты в области машинного обучения и в определенные моменты становится довольно подробным. Однако не следует ожидать, что вы станете экспертом после прохождения этих четырех курсов. Кроме того, поскольку в курсах обсуждается очень много тем, во многих упражнениях большая часть кода уже предварительно загружена, поэтому ученику остается заполнить лишь несколько пробелов. Это, конечно, удобно и экономит время, однако я думаю, что люди будут учиться путем повторения, поэтому мне бы понравилось еще несколько тематических исследований на курсах, в которых кто-то должен построить модель с нуля без предварительной загрузки кода, поскольку это так будет и на практике.
В целом, мне очень понравились все четыре курса, и я обязательно углублюсь в предмет!
Мой сертификат по треку Машинное обучение с Python можно найти здесь.
Первоначально опубликовано на сайте thijsq.github.io 31 января 2018 г.
