Если вы совсем новичок в машинном обучении и не знаете, как учиться и развиваться в области ИИ и машинного обучения, эта статья поможет вам найти лучшие онлайн-ресурсы для изучения ИИ и машинного обучения.
Прежде всего, если вы не знаете программирования на Python, запишитесь на курс программирования на Python или на специализацию. На YouTube много плейлистов, множество курсов и специализаций предлагают Coursera, Udemy, edx, skillshare, Udacity и т. д. Например, есть python специализация для всех для начинающих на Coursera от Университета Мичигана. Который охватывает основные вещи в питоне, я бы порекомендовал его для абсолютных новичков.
Во-вторых, вы должны знать базовую математику для понимания алгоритмов машинного обучения. Вы должны хорошо разбираться в линейной алгебре, основах исчисления для машинного обучения, статистике и вероятностных концепциях. Однако возникает вопрос, как абсолютному новичку найти эти ресурсы для ML? Ну, вам не нужно знать все в линейной алгебре, исчислении и вероятности. Хорошая вещь — скачать книгу по машинному обучению, которая дает введение в математику для машинного обучения, если вы любопытный человек и хотите копнуть глубже. А на Coursera есть специализация по математике для машинного обучения, предлагаемая Имперским колледжем Лондона, вы можете записаться и изучать математику для машинного обучения. Если вы не понимаете некоторые математические понятия по специализации, вы можете обратиться в Khan Academy. Я пишу этот абзац для тех, кто интересуется машинным обучением и хочет копнуть глубже.
Если вы знаете Python и основы математики для машинного обучения, вы готовы начать изучать машинное обучение. Теперь у вас возникает вопрос, с чего начать изучение машинного обучения? К счастью, у нас есть хорошие ресурсы для этого. Курсов и специализаций очень много, однако я бы порекомендовал курс машинного обучения, предлагаемый Стэнфордом онлайн на Coursera и читаемый проф. Эндрю Нг. Этот курс начинается с того, что дает вам базовое введение в математику для понимания машинного обучения. Все реализации находятся в MATLAB, если вы не знакомы с MATLAB, ознакомьтесь с последней специализацией проф. Эндрю по машинному обучению здесь. В этой специализации вы будете учиться от базового до продвинутого уровня, а также специализация направит вас в перспективных направлениях на будущее.
Теперь, когда вы прошли большое расстояние, пришло время погрузиться в глубокое обучение. После того, как вы выполнили все шаги, упомянутые выше, вы готовы к изучению алгоритмов глубокого обучения. На этом этапе вам может не понадобиться чье-то руководство о том, с чего начать глубокое обучение, и вы, возможно, уже многое изучили. Однако, если кто-то хочет пропустить вышеупомянутые шаги, он может записаться в Prof. Специализация Эндрю Нг на глубоком обучении. Это познакомит вас с основными искусственными нейронными сетями, сверточными нейронными сетями и рекуррентными нейронными сетями, и вы изучите стратегии и передовые методы обучения и оценки модели глубокого обучения. После того, как вы закончите специализацию или начнете учиться, попробуйте выполнить несколько удивительных проектов в области компьютерного зрения, обработки естественного языка или других областей, которые вас интересуют, чтобы улучшить свои навыки и знания. Вы можете участвовать в проектах Kaggle в интересующей вас области.
Сводка
В этой статье я упомянул несколько логических шагов, которым вы можете следовать, чтобы научиться машинному обучению и глубокому обучению. И с чего вы можете начать и как вы можете развиваться, от изучения Python до продвижения алгоритмов глубокого обучения для выполнения сложных задач, таких как компьютерное зрение и обработка естественного языка.
