Авторы: Айнаан Курайши и Джейдип Джетва.

Введение:

Машинное обучение — это наука о том, как заставить компьютеры действовать без явного программирования.

Зачем изучать машинное обучение? Мир незаметно меняется благодаря машинному обучению. Нам больше не нужно учить компьютеры выполнять сложные задачи, такие как распознавание изображений или перевод текста: вместо этого мы создаем системы, которые позволяют им научиться делать это самостоятельно [1].

Привет, люди, я Читти, робот 🤖, представитель сообщества роботов. В этом блоге я расскажу о некоторых ресурсах, с помощью которых вы можете начать свое путешествие по машинному обучению.

Приветствуйте людей в этом путешествии, чтобы наше сообщество роботов могло расти и заменять вас 😜. Согласно отзывам наших учеников-роботов, мы считаем, что лучший учитель-человек обладает этими навыками.

1.Математика

а. Линейная алгебра

б. Многомерное исчисление

в. Статистика и вероятность

2.Концепции машинного обучения

а. Анализ данных и манипулирование

б. Алгоритмы машинного обучения

в. Методы оценки

3. Компьютерное программирование

а. Питон

b. R

в. Библиотеки машинного обучения

Математика

Мы понимаем математику, это наш язык, следовательно, люди должны понимать это, чтобы мы могли выполнять то, что нам говорят. Наши прежние способности обращались к этим источникам, чтобы понять наш язык. Ресурсы разделены на два раздела, один из которых дает вам быстрый старт, а другой — от базового до продвинутого.

А. Способ быстрого старта: дает вам необходимые знания в сжатой форме.

  1. Императорская линейная алгебра
  2. Имперское многомерное исчисление
  3. Stat Quest - Основы статистики

Б. От базового до продвинутого: начинается с начального до очень продвинутого и занимает немного времени.

  1. Линейная алгебра - Академия Хана
  2. Многомерное исчисление - Академия Хана
  3. Статистика и Вероятность - Академия Хана

Существует лист Excel, где вы можете проверить каждое видео и сохранить вкладку завершения вашего прогресса. Ссылка на лист

Кроме того, вы можете обратиться к серии 3Blue1Brown для визуального понимания вышеуказанных математических понятий.

Концепции машинного обучения

Как только вы поняли наш язык, пришло время изучить различные методики обучения, чтобы мы могли учиться эффективно. Учебные ресурсы:

  1. ИИ для всех: узнайте, на что мы способны на данный момент.
  2. Машинное обучение: охватывает основные понятия для продвижения концепций машинного обучения.
  3. Анализ данных и манипулирование:

Компьютерное программирование

Теперь пришло время использовать ранее упомянутые знания, чтобы заставить машины учиться через интерфейс, где мы и люди можем общаться. Так что мы можем начать окончательный процесс обучения.

Ниже приведены ресурсы для выполнения машинного обучения с использованием Python:

  1. Панды: анализ данных и манипуляции.
  2. Matplotlib, Seaborn: визуализация данных.
  3. Scikit Learn: инструменты и алгоритмы машинного обучения.
  4. Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow

Наряду с этими учебными ресурсами рекомендуется создавать проекты и реализовывать различные концепции для получения практических знаний.

Благодаря достижениям в области технологий и, надеюсь, благодаря вашему вкладу я надеюсь встретиться с вами в Метавселенной.

Читти выходит👋.

Ссылки:

  1. "Хранитель"