Последние несколько месяцев я пытался освоить область машинного обучения. Я не эксперт в этой области и все еще учусь, но в этом посте я хотел бы поделиться несколькими бесплатными ресурсами, доступными в Интернете, которые очень помогли мне в этом путешествии.

Ниже перечислены некоторые из них…

Курсы по машинному обучению и теории глубокого обучения:

CS229 — машинное обучение Стэнфордского университета.

  • Последняя версия этого курса, загруженная на YouTube, преподается профессором Анандом Авати, ранее преподававшим Эндрю Нг.
  • Этот курс является расширенной версией известного курса машинного обучения Эндрю Нг на Coursera.
  • Курс охватывает все, начиная от линейной алгебры и заканчивая обучением с подкреплением.
  • Ссылки на курсы: CS229 Осень 2018 и CS229 Лето 2019.

CS231N — сверточные нейронные сети для визуального распознавания.

  • Возможно, это лучший курс, который я когда-либо проходил. На YouTube доступны две версии этого курса — зима 2016 и весна 2017.
  • Курс «Зима 2016» ведет Андрей Карапатий, и курс загружен на его канал YouTube. Объяснение каждой концепции подробное, но ясное.
  • Весенняя версия 2017 года, которую преподает Джастин Джонсон, содержит несколько дополнительных тем по сравнению с версией 2016 года. Команда CS231N приложила усилия, чтобы программа оставалась актуальной.
  • Ссылки на курсы: CS231N Зима 2016 и CS231N Весна 2017.

CS224N — НЛП с глубоким обучением.

  • Этот курс, проводимый Кристофером Мэннингом, посвящен методам глубокого обучения, используемым в задачах обработки естественного языка.
  • Я лично считаю, что они могли бы включить больше примеров кода, так как людям без математического образования может быть немного сложно преодолеть разрыв от теории к коду.
  • Вы также можете проверить CS224U — Понимание естественного языка, который охватывает темы в аналогичных областях.
  • Ссылки на курсы: CS224N и CS224U.

Курсы для создания математической подготовки:

Статистика 110: Вероятность Гарвардского университета.

  • Люди, обращающиеся к этому курсу исключительно для изучения концепций машинного обучения, могут пропустить часть подсчета и начать с лекции 8 (Случайные величины). Я по-прежнему рекомендую просмотреть весь курс, так как там есть ссылки на темы, затронутые в предыдущих лекциях, такие как личность Вандермонда и т. д., а также потому, что это очень весело!
  • Многое из того, что описано в этой серии, поможет вам понять CS229 (автор Ананд Авати), поскольку для этого требуется солидный опыт в области вероятностей и статистики.
  • Ссылка на курс: Статистика 110.

Линейная алгебра и многомерное исчисление:

Бонус: люди, которым не нравится математика и вероятность, могут обратиться к DeepLearning.ai. (канал YouTube) ссылка

Каналы программирования для ML/DL:

  • Я использовал документацию Pytorch, в которой достаточно примеров кода. Но если вы привыкли потреблять контент в виде видео, то Sentdex, Krish Naik, Deep Lizard, Codebasics — это каналы YouTube, которые вы, возможно, захотите проверить.
  • Аладдин Перссон — очень недооцененный ютубер, чей репозиторий на Github и канал на YouTube помогли мне изучить архитектуру CNN. Ссылка: Aladdin’s YouTube и Github.

Это были несколько ресурсов, о которых я знал. Не стесняйтесь делиться любыми ресурсами, которые помогли вам. :)