Курс по основам машинного обучения
После прохождения курса Эндрю Н.Г. на Coursera я очень заинтересовался машинным обучением (МО). Идея прогнозирования/нахождения скрытых закономерностей/понимания естественного языка меня заинтриговала. Этот курс действительно заложил основу широкого ландшафта машинного обучения, но не углубился в концепции или детали реализации многих алгоритмов. Также все было в Октаве, что делало практические реализации совершенно неэффективными для любого реального производственного использования. Я искал курс, который использует Python и практические проблемы с данными для обучения ML. Это лучший курс, который я смог найти, он затрагивает все концепции и примеры машинного обучения, о которых я хотел узнать.
Немного о курсе: Этот курс является первым курсом специализации по машинному обучению от Вашингтонского университета. В специализации есть курсы, которые глубоко погружаются в регрессию, классификацию, кластеризацию, рекомендательные системы, глубокое обучение. Я рекомендую пройти несколько вводных недельных лекций или программ, охватываемых одним или двумя курсами, которые вас интересуют, прежде чем отправиться в путешествие по этой специализации. Мне понравились отзывы, которые я читал о нем здесь. Давайте углубимся в мой обзор первого курса, как я только что закончил его.
Сложный уровень
Этот курс довольно легкий. Это очень доступно для новичков в мире программирования или машинного обучения. Темы объясняются, чтобы дать представление о постановке проблемы и поверхностное представление о том, как построить прогностическую модель. В материале курса очень мало математики и формул, в отличие от следующих курсов (секрет раскрыт).
Материал курса
Курс представляет собой 6-недельный курс, который охватывает 1 тему по машинному обучению в неделю. Каждую неделю вы будете получать краткое введение в тему, ее применение, а затем инструктор открывает проблему, непосредственно связанную с этой конкретной областью. Через призму практических проблем реального мира они представляют концепции регрессии, классификации, кластеризации, рекомендательных систем и глубокого обучения. Вы научитесь исследовать данные, строить модели и оценивать их.
Задания
Задания являются продолжением тематических исследований, объясняемых в лекциях каждую неделю. Задание довольно интересно решить, но оно не сложное, так как большая часть настройки и работы выполняется путем предоставления вам ноутбука Ipython. Задание представлено не как задание кода, а как викторина, поэтому вы можете кодировать / работать над решением, используя любой удобный для вас инструмент.
Вывод
Этот курс является хорошим стартом, чтобы пробудить аппетит или освоить ML. Я закончил курс, потратив 4–5 часов в неделю. Курс является частью серии специализаций, которая гораздо глубже раскрывает концепции (регрессия, классификация, кластеризация, рекомендательные системы и глубокое обучение), которые широко обсуждаются в этом курсе. Я очень рад продолжить свое путешествие по специализации, так как теперь я смогу глубже погрузиться в концепции каждой темы/области и работать с реальными наборами данных из Amazon, Wikipedia и т. д.
