Я много месяцев работал над тем, чтобы понять машинное обучение. Это самый мучительный опыт, но, с другой стороны, это волнующий опыт. У меня нет никакого опыта, связанного с ИТ или Advanced Calculus. Действительно, я изучаю математику на предыдущем уроке в колледже, но иногда память может угаснуть, если ею не пользоваться каждый день, я прав?

Поэтому мне приходится изучать основы машинного обучения. Я не посещал платные обучающие курсы. Так что я учусь везде, где я могу получить бесплатно. Честно говоря, для меня это не лучшая практика, потому что иногда мне нужно руководство. Затем я прошу своего менеджера одобрить платное обучение машинному обучению для лучшего понимания. После одобрения присоединяюсь к программе обучения, короче говоря, я получаю лучшее понимание, до сих пор не хватает опыта в обработке данных.

Перенесемся вперед, я случайно смотрю источники MIT о машинном обучении, MIT Deep Learning 6.S191 (introtodeeplearning.com). Лекторы – Александр Амини и Ава Солеймани. Лекция превосходна, как и ожидалось от Массачусетского технологического института. Я изучаю несколько фундаментальных вычислений, а также применение машинного обучения.

Затем я смотрю TensorFlow, который также является отличным каналом для начинающих. Название — Введение в машинное обучение (ML Zero to Hero). Там 4 части, и вы можете легко понять, что он сказал.

https://www.youtube.com/watch?v=KNAWp2S3w94

После просмотра и изучения других источников я пробую свой первый анализ в ирландском наборе данных, который вы можете скачать здесь https://www.kaggle.com/arshid/iris-flower-dataset/version/1. На самом деле, это лучшие данные для начала машинного обучения за пределами данных предварительной сборки TensorFlow.

Что вам нужно знать в машинном обучении потока, начинается с

  1. Что вы хотите от данных? Классификация? Прогноз? или другие?
  2. Понимание данных? Какой тип данных у него есть?
    Если табличный, какие поля он имеет и есть ли пустые данные? Если изображения, то черно-белые или RGB? Есть ли поврежденные файлы?
  3. Для табличных данных, если вы найдете нуль, вы хотите удалить или сделать интерполяцию самостоятельно? Это важно или нет? Ваши данные содержат временные ряды? Поскольку к данным временных рядов применяется другой подход, будьте осторожны.
  4. Сделайте некоторую очистку или предварительную обработку данных
  5. Разделите данные для тестирования и обучения
  6. Создайте проверенную модель, можете погуглить
  7. Создайте свою собственную модель, это хлопотная часть, потому что это пробные ошибки
  8. Постройте свой убыток и var_loss
  9. Сделайте прогноз на основе данных тестирования
  10. Нанесите данные прогноза и данные обучения на один и тот же график. Цель состоит в том, чтобы найти данные, которые уже соответствуют нашему требованию или нет.
  11. Сохраните модель, если вы уверены в ней. Если нет, повторите шаг 7

Это резюме, основанное на моем опыте после 3 месяцев обучения. Конечно, есть еще много возможностей для улучшения. Не стесняйтесь, пишите мне по адресу [email protected], чтобы эта статья нуждалась в редактировании или обновлении. Следующая часть — как обработать ирландский набор данных с помощью TensorFlow. Всем удачного обучения.