Одним из моих решений на 2017 год было расставить приоритеты в возможностях обучения. Даже если я не всегда был верен этой цели, в конце года я могу сказать, что я узнал гораздо больше, чем в предыдущие годы. А еще лучше: было весело!
Из тем, на изучение и совершенствование которых мне потребовалось время, вероятно, наибольшее влияние на меня оказало машинное обучение.
Я не был новичком в этом предмете - я учился в университете, и мне понравилось. Но я должен сказать, что масштабы и влияние реального мира, которые я увидел во время своего пребывания в Сан-Франциско, были намного выше того, что я мог подумать вначале. Это своего рода волшебство, когда видишь что-то столь революционное, выросшее из академии и используемое для изменения жизней.
Итак, я решил изучить это. Я все еще в процессе, но в настоящее время я чувствую себя очень комфортно, используя модели и применяя свои повседневные задачи. Это потребовало определенных усилий, так как обучение никогда не бывает легким, но я думаю, что некоторые из сделанных мной решений были очень успешными, позволив мне получить практический опыт, продолжая работать на своей основной работе (я помогаю людям создавать Интернет вещей).
Coursera
Раньше я посещал МООК и знал, что я могу чему-то научиться в своем собственном темпе. На этот раз я попробовал что-то другое, что могло дать мне дополнительную мотивацию. Я выбрал подтвержденную специализацию на Coursera, в частности Специализацию по машинному обучению Вашингтонского университета, которую преподают Эмили Фокс и Карлос Гестрин. Я знал, что контент находится в свободном доступе, но оплата за него помогла мне получить дополнительную мотивацию, необходимую для того, чтобы идти в ногу со временем.
Одной из причин, по которой я выбрал эту специализацию вместо одной из множества альтернатив, было то, что я посетил Саммит SF Data Science Summit в 2016 году, спонсируемый Turi (компания Гестрина, позже приобретенная Apple), и мне понравился его подход. по машинному обучению - очень практично.
Я не был разочарован. Специализация пошла по тому же пути. Сначала было тематическое исследование данной техники с реальной проблемой, а затем теория и практика. Я считаю, что так нужно учить, особенно когда у человека ограниченное время.
Очень рекомендую эту специализацию новичкам. Вы будете разочарованы, только если ожидаете много приложений для глубокого обучения. Это не главное. Подробнее об этом позже.
Kaggle
Kaggle был, пожалуй, самым важным инструментом обучения в прошлом году. Если вы хоть немного разбираетесь в машинном обучении и еще не участвовали в Kaggle, вам следует принять участие в конкурсе прямо сейчас. Действительно.
Даже если основной целью Kaggle является создание конкурентной платформы для профессионалов отрасли, сообщество больше склоняется к сотрудничеству (частично сотрудничество, частично конкуренция). Работа над одной и той же проблемой и в то же время (и против!) С некоторыми из лучших умов в этой области - постоянный источник знаний. Обсуждения могут быть очень разнообразными, и можно многому научиться с помощью кода, который конкуренты публикуют в форме ядер (ядра - это просто записные книжки, но размещаются на Kaggle). Это очень щедрое сообщество профессионалов.
Это также хороший способ получить некоторый опыт работы с реальными проблемами и наборами данных - даже если ваш код не будет использоваться в производственной среде, это возможность для экспериментов с мгновенной обратной связью.
Личные классы глубокого обучения
У меня была прекрасная возможность посетить очный курс глубокого обучения с отличными учителями.
Раньше я работал с нейронными сетями и прошел половину курса Джеффри Хинтона на Coursera. Это дало мне хорошие основы, но мне не хватало практического опыта в самых горячих темах, таких как CNN, RNN, LSTM, Auto Encoders и все другие вещи, которые используют крутые ребята. Кроме того, эта тема не охвачена должным образом специализацией по машинному обучению Вашингтонского университета на Coursera.
Участие в корпоративном курсе, проводимом опытными преподавателями из NeuralMind, имело основополагающее значение для более удобного использования инструментов, понимания потенциала, а также ограничений технологии. А в личной беседе у меня было много возможностей задать вопросы, обсудить с другими учащимися и получить практические советы.
Совместное использование
Возможно, вы знакомы с так называемой техникой обучения Фейнмана. Вы должны получить тему, которую хотите изучить, попытаться описать ее простыми словами, как если бы вы учили кого-то другого, и, видя пробелы, улучшить свое понимание.
Я попытался сделать еще один шаг и попытаться научить кого-то еще.
Пару раз я сотрудничал с коллегами и собирал людей, заинтересованных в машинном обучении, чтобы предоставить им некоторые базовые инструменты, чтобы они могли продолжить изучение машинного обучения самостоятельно.
Путь, который мы выбрали, заключался в том, чтобы знакомить новичков с соревнованиями Kaggle. Это объединило три подхода, которые были успешными в моем собственном обучении: подход на основе конкретных случаев (который является общим подходом в Специализации Вашингтонского университета), участие в сообществе, в котором обучение высоко ценится (что так и есть). для Kaggle) и участие в личном занятии. Все сжалось за один день.
Что мы делаем, так это выбираем соревнование Kaggle и работаем с группой шаг за шагом: от основ (что такое машинное обучение? Как использовать scikit-learn?) До более промежуточных тем (переоснащение, перекрестная проверка) с отправкой материалов для их использования. в среду Kaggle и незамедлительно собирайте отзывы.
Я считаю, что такой подход у нас получился очень успешным. В каждом случае новички были очень довольны тем, что смогли создать свои первые модели и действительно увидели улучшения, настроив гиперпараметры, используя лучшие алгоритмы и так далее. Некоторые фактически продолжали учиться сами - что и было первоначальной целью.
И это тоже работает для меня. Каждый раз, когда я объясняю концепцию кому-то новичку в этой области, возможные пробелы в моем собственном понимании становятся очень ясными, и я знаю, что мне нужно найти время, чтобы поработать над ними.
Что будет дальше?
Я до сих пор не знаю, чем меня обернется 2018 год. Но я точно знаю, что через это я буду изучать Машину. До сих пор это была радостная поездка, и я намерен и дальше продолжать.
