Учебный план по науке о данных / машинному обучению с открытым исходным кодом

Май 2018 г. Редактировать: по мере того, как я узнал больше, я пересмотрел свою учебную программу. Я все еще надеюсь, что этот список курсов станет хорошим началом для кого-то, кто все еще пытается приручить пожарный шланг на ранней стадии. Изучив эти ресурсы, вы лучше поймете, что вас интересует и над какими аспектами вам нужно поработать больше. Я мог бы сделать обновление через несколько недель, где я добавлю еще несколько ресурсов: а пока я предлагаю создать учетную запись Twitter, чтобы подписаться на самых умных людей в ML (и людей, на которых они подписаны), и немного поискать отличные дополнительные подкасты в области машинного обучения, статистики или промышленности, которые дадут вам более широкое представление об общей территории.

— — —

Всем привет. Я Сэм. Я хотел быстро представиться, прежде чем говорить об обучении, которое я буду делать в этом году, и о том, как Medium вписывается в уравнение.

Я окончила Вашингтонский университет в Сент-Луисе (специальность Финансы, CS Minor) в 2017 году, не зная, что мне делать с собой. Несколько стажировок в области бизнес-аналитики (MasterCard) и управления продуктами / аналитикой (Jet.com) послужили воротами в мир технологий. В частности, я хотел узнать больше о науке о данных. Стипендия привлекла меня к участию в новой программе MS Business Analytics WashU, но вскоре я понял, что учусь более эффективно в свободное время (~ бесплатно), чем в классе (не так бесплатно). Я бросил учебу в октябре и планировал потратить следующий год на самостоятельное изучение науки о данных и машинного обучения. В конце лета я перейду из STL в SF, чтобы стать частью второй когорты One One Технологической школы Horizon.

Примерно за последний месяц я прошел небольшое количество курсов и книг по науке о данных, и я хочу поделиться ресурсами, которые я накопил, и тем путем, который я для себя проложил. Для новичка в этой области нормально чувствовать, что вы пьете из пожарного шланга, и часто вы даже не уверены, пьете ли вы из правильного шланга. Сочетание книг, подкастов, МООК и сообщений в блогах может привести к параличу принятия решений и беспокойству. Я надеюсь, что смогу избавить вас от боли, разместив некоторые ресурсы, которые я использовал. Если вы были здесь, дайте мне знать, что мне не хватает. Может, мы сможем помочь друг другу.

Вот доска трелло, которую я использую, чтобы отслеживать курсы, над которыми я работаю. Большая часть того, что представлено ниже, - это мое перераспределение его содержимого по различным группам классов в (что я думаю) примерно в порядке выполнения. Я буду добавлять и удалять курсы со временем, если найду лучшие ресурсы. Я надеюсь написать больше о ML на Medium в будущем. Обучение других - лучший способ укрепить понимание и заполнить пробелы в знаниях.

Нужна мотивация?

Посмотрите двухминутные статьи на Youtube.

Основы (CS, математика, статистика / вероятность)

Информатика:

Гарвардский CS50x, вводный курс программирования. Если вы хоть немного знакомы с кодированием, просто посмотрите лекции.

(Необязательно) Если вы хотите что-то построить после просмотра лекций CS50, попробуйте этот курс Python от Udemy.

(Необязательно) Я прошел курс алгоритмов в WashU, но эти курсы кажутся отличной заменой.

Математика:

Дифференциальное и интегральное исчисление от Khan Academy

Многопараметрическое исчисление от Khan Academy

Плейлист The Essence of Calculus от 3Blue1Brown

Линейная алгебра от Khan Academy

Плейлист Суть линейной алгебры от 3Blue1Brown

(Необязательно) Иммерсивная линейная алгебра по иммерсивной математике

(Необязательно) Линейная алгебра Гилберта Стрэнга из Массачусетского технологического института

Статистика / вероятность:

Статистика и вероятность от Khan Academy

(Необязательно) Плейлист The Probability Primer от Mathematicalmonk

(Необязательно) Гарвард Статистика 110: Вероятность

Движение вперед (DS, ML, DL, Math и др.)

Наука о данных, машинное обучение и глубокое обучение:

Посмотрите курс Машинное обучение Эндрю Нг на Coursera или пройдите его неразбавленный курс CS229 в Стэнфорде, если вы уверены в своей математике. Я просто смотрел видео с Coursera и пропустил реализацию контента в Octave.

Путь специалиста по данным Dataquest познакомит вас с Python для анализа данных, командной строкой, git и контролем версий, SQL и базами данных, использованием записных книжек jupyter, машинным обучением, kaggle и многим другим.

Руки О’Рейли по машинному обучению в Scikit-Learn и TensorFlow, чтобы узнать больше об использовании этих двух важных инструментов. Здесь много практических советов.

(Необязательно) Введение в статистическое обучение с применением в R и Элементы статистического обучения также являются каноническими текстами, но преподаются на R. Однако есть несколько репозиториев github с кодом Python.

Специализация UW Наука о данных в масштабе поможет вам использовать Hadoop и Spark и познакомиться с наукой о данных в масштабе. Вы можете дополнить это курсом больших данных UCSD, если хотите.

Udacity Инженер по машинному обучению Nanodegree

Бесплатная книга Нейронные сети и глубокое обучение

Udacity Основы глубокого обучения Nanodegree

Книга глубокого обучения Иэна Гудфеллоу бесплатно в Интернете

Специализация Coursera Deep Learning

Глубокое обучение Fast.ai Часть 1 и Часть 2

Математика:

Великие курсы: принятие математических решений: прогнозные модели и приложения. На самом деле это курс ИЛИ, но он преподает темы от вероятности до регрессии / классификации / кластеризации до MCMC.

В UCSC есть курсы по байесовской статистике часть 1 и часть 2.

Численный анализ CS205A с Джастином Соломоном Массачусетского технологического института преподает математику для робототехники, машинного зрения и графики. Не весь контент будет иметь отношение к ML, но он настолько интересен, что вы можете остаться.

Стэнфордские Вероятностные графические модели

Стэнфордский Курс по выпуклой оптимизации. Оптимизация выпуклых функций - обычное дело для алгоритмов машинного обучения.

Вычислительная линейная алгебра Fast.ai предназначена для того, чтобы заставить компьютеры выполнять матричные вычисления со скоростью и с приемлемой точностью.

Наполнение времени:

Нельзя весь день сидеть перед онлайн-лекцией, а иногда и не хочется. Если вам нужен перерыв в уроке или вы занимаетесь делами, вот несколько ресурсов, которые я использую.

В подкасте Machine Learning Guide Podcast Тайлер Ренелль дает отличную интуицию для алгоритмов машинного обучения от линейной регрессии до CNN. Я рекомендую вам послушать это вместе с курсом Эндрю Нг.

Кок-леонг Сео, студент Колумбийского университета, описывает алгоритмы машинного обучения доступным и интуитивно понятным способом на этом веб-сайте.

Если вас интересует все, что вы слышали об искусственном интеллекте, я бы предложил этот курс в аудиозаписи из The Great Courses. Охватывает теории сознания и интеллекта.

Вот плейлист Введение в ИНС от компании Giant_neural_network.

Плейлист бесед Брэндона Рорера обеспечивает дополнительную интуицию и понимание таких тем, как теорема Байеса, DNN / RNN / CNN, обучение с подкреплением и многое другое.

Заменить Reddit и трал в Facebook на Hackernews и DataTau

Что касается подкастов, выходящих за рамки MLG Ренелль, обратите внимание на Скептик данных, Частично производные и Говорящие машины. Если вы хотите чего-то другого, попробуйте Просыпаться с Сэмом Харрисом для умного обсуждения человеческого разума, общества и текущих событий.

Пособие по искусственному интеллекту Андреессена Горовица - интересное чтение для широкого взгляда на ИИ. У них есть раздел ресурсов в задней части с отличными учебниками, блогами и списками рассылки, в которые вы должны войти.

Используйте Kaggle!