Рубрики
Без рубрики

5 Советов По Изучению Машинного Обучения

Прогресс, достигнутый машинным обучением за последнее десятилетие, поражает всех как подлинный и поразительный. Для поддержки были разработаны тонны библиотек, архитектур и математических уравнений…

Автор оригинала: jain.

Прогресс, достигнутый машинным обучением за последнее десятилетие, поражает всех как подлинный и поразительный. Для поддержки машинного обучения были разработаны тонны библиотек, архитектур и математических уравнений. Такой рост привлекает каждого застройщика. Даже если он занимался квантовыми вычислениями, он может захотеть изучить машинное обучение. Это могло бы породить для него какое-нибудь проницательное предсказание. Но самый распространенный вопрос, с которым я сталкиваюсь при знакомстве с новыми разработчиками, – это вопрос о начале работы.

Будучи разработчиком, вы можете иметь хорошие навыки программирования, а можете и нет. Навыки программирования могут быть развиты со временем и практикой. 1 вопрос в день будет делать свою работу. Но прежде чем перейти к машинному обучению, нужно убедиться, что вы хорошо разбираетесь в математике-алгебре, векторах, матрицах, производных. Вы не можете выучить математику за один день. Итак, вот совет.

Совет 1: Возьмите задачу из курса инженерной математики прошлого и попробуйте погрузиться в нее с практическими примерами. Затем попробуйте решить эти уравнения с помощью научных вычислительных библиотек, таких как scipy и numpy.

Если вас устраивают вышеперечисленные вещи, возможно, вы захотите получить фору в ML, поэтому вы планируете взять MOOC на coursera. В наши дни наибольшей популярностью пользуются курсы машинного обучения доктора Эндрю Нга. Но тогда вы можете не закончить эти курсы из-за нехватки времени для выполнения заданий. Вот вам совет.

Совет 2: Вы можете просто просматривать видео, а не выполнять задания поначалу. Как только вы освоитесь с теорией машинного обучения, вы сможете приступить к выполнению заданий. Python Реализации алгоритмов являются лучшими .

Занимаясь фрилансом, я часто встречаю людей, которые хорошо справляются с первыми двумя пунктами, но им трудно писать реализации python. Им просто не хватает знаний о пакетах python и практики над ними. Вот некоторые ресурсы, которые помогут вам:

Совет 3: Pandas — Библиотека обработки данных На Python Понимание сути Линейной алгебры Numpy — Библиотека численных вычислений На Python Понимание Нейронных сетей DeepLearning Лучший DeepLearning MOOC на Coursera

Теперь, когда вы много работали над собой, изучая концепции глубокого обучения, вы хотите построить свои собственные проекты и портфолио, чтобы получить хорошую работу. Вот список простых проектов, над которыми я работал в настоящее время.

Совет 4: Классификация пород собак (использует трансферное обучение) Оптическое распознавание символов (использует модели последовательностей) Смотрите и рассказывайте С помощью Глубокого обучения Спросите Сеть Замена лиц с помощью DeepLearning Клонирование голоса с помощью DeepLearning

Наконец, важный совет, который действительно проверит ваши навыки программирования, математики и науки о данных

Совет 5: Не просто клонируйте проекты git, но и реализуйте свои собственные архитектуры и хаки с нуля. Машинное обучение-это все, что связано с исследованиями, поэтому хорошее исследование повысит вашу уверенность.

УДАЧИ ВАМ !!!