Здравствуйте, дамы и господа. Давно, да? Я все еще жив, не волнуйся! Итак, я никогда не знал, что я большой поклонник искусственного интеллекта, пока не начал смотреть сериал - Интересные люди. И только недавно я влюбился в говорящие машины - РОБОТЫ. Как мы все знаем, искусственный интеллект на самом деле широк, и какое-то время я не понимал, на чем сосредоточиться. Несмотря на то, что моим проектом последнего года была стоматологическая экспертная система, я знал, что хочу сосредоточиться на чем-то еще, помимо экспертных систем. Я провел небольшое исследование на сайте UNCLE GOOGLE, и через месяц у меня было два варианта: искусственные нейронные сети или машинное обучение. После тщательных исследований в обеих областях и общения с экспертами в этой области я наконец остановился на машинном обучении. Yayyy, больше нет путаницы. Пусть катятся барабаны.

Согласно Википедии, Машинное обучение - это область информатики, которая возникла на основе изучения теории распознавания образов и вычислительной теории обучения в искусственном интеллекте. В 1959 году Артур Сэмюэл определил машинное обучение как «область обучения, которая дает компьютерам возможность учиться без явного программирования». Также интересно знать, что у Google есть платформа машинного обучения с открытым исходным кодом, известная как TensorFlow. Кроме того, 23 марта Google сделал доступными для разработчиков свои, которые используются в Google Фото, Переводчике и Входящие.

В наше время действительно сложно найти проблему, где машинное обучение еще не применяется - машинное обучение есть практически везде, в бизнес-приложениях и в науке. Возможно, вы захотите проверить этот пост на Quora, где у нас есть так много примеров того, как можно применить машинное обучение. Поэтому после обращения к экспертам в этой области мне посоветовали начать с науки о данных, в конце концов, машинному обучению нужны данные, чтобы изучать закономерности, распознавать их и прогнозировать правильную информацию о данных. Перенесемся в изучение науки о данных, я сделал учебник по питону (через codeacademy) и перешел в bigdatauniversity, чтобы проследить их пути обучения.

И вуаля, мы должны начать с Data Science, я уверен, что вы видите оставшийся путь.

Курсы разделены на уроки, а в уроке есть различные видео по разным темам.

Сегодняшний технический четверг я начну с:

Урок 1. Введение в науку о данных

По словам инструктора; Муртаза Хайдер, автор книги: Начало работы с наукой о данных. Резюме для специалиста по данным - это того, кто работает с данными и инструментами для развития понимания и принятия более обоснованных решений, в то время как большие данные представляют собой набор данных или структуру данных.

Кто может быть специалистом по данным? Любой, кто имеет опыт хотя бы в одном языке программирования, статистической теории и знаниях, а также имеет серьезные фундаментальные знания в области математики, может стать специалистом по анализу данных.

Примеры науки о данных в действии

  • Оценка студентов Данные профессоров
  • Получая все больше и больше фактов о продаже больших домов, становится все интереснее, что добавление спальни к дому лучше, чем добавление ванной комнаты.
  • Изучите тип людей, которые обманывают.
  • Чтобы определить лучшее время для покупки авиабилета по низкой цене, тем самым увеличивая свой уровень благосостояния.

Какой язык программирования вам следует выбрать как специалист по анализу данных?

Это было непросто для меня, потому что до прохождения этого курса я размышлял о том, какой язык изучать между Python или R. Но теперь, когда я знаю, чего можно достичь с каждым из них, я уверен, что остановлюсь на одном. с намерением, что я знаю, что делаю. Что ж, по словам Муртазы Хайдер; если вы имеете дело со статистикой и структурированными данными, выберите R, потому что он идеально подходит для структурированных данных, а Python отлично подходит для неструктурированных данных и интеллектуального анализа текста. Scala используется для очень больших объемов данных и искр. Примером неструктурированных данных являются твиты из Twitter.

На этом мы подошли к концу Урока 1 по науке о данных. Да, я знаю, что мы еще не говорим о коде. Очень важно знать, что теоретический аспект науки о данных жизненно важен, прежде чем мы приступим к его практическому аспекту. До скорого. До встречи!!!