Рубрики
Без рубрики

Лучшие ресурсы, которые я использовал для обучения машине

Автор оригинала: Gwendolyn Faraday.

Поле машинного обучения становится все более и более и более мейнстрим каждый год. С этим ростом приходится много библиотек и инструментов для абстрагирования некоторых из самых сложных концепций для реализации для людей, начинающихся.

Большинство людей скажут, что вам нужен более высокий уровень степени в ML для работы в отрасли. Если вы любите работать с данными и практической математикой, то я бы сказал, что это неправда. Я не выпустил колледжу с учетом машины или степень данных, но я работаю с ML прямо сейчас при запуске. Я хочу поделиться тем, что я привык учиться и как я попал сюда в надежде, что это поможет кому-то еще.

Начиная

Я знал Python уже, когда начал, но, если нет, я рекомендую сначала изучать базовый и промежуточный Python. Язык довольно легко узнать по сравнению с другими. Python также является домом для крупнейших сообществ науки о науке/мл/мл.

Узнайте Python: FreeCodecamp Python Carm Rouse курс

С той, первым, что вы должны сделать, это скачать «Машинное обучение подкаста» OCDevel ( Overcast.fm , iTunes ) в ваше любимое приложение для подкаста. Слушайте первые 10-15 эпизодов. Они очень хорошо дают обзор экосистемы обучения машины, и есть также рекомендуемые ресурсы, которые связаны на Ocdevel сайт Отказ

Инструмент

Ноутбук Anaconda & Jupyter – это обязательна для ML & Data Science. Следуйте за Инструкции здесь установить и установить их.

Визуальный студийный код с Python Plugin – Я никогда не думал, что буду рекомендовать продукт Microsoft, но я честно впечатлен своими обязательствами с открытым исходным кодом в последнее время. Теперь это мой любимый редактор кода, даже для выполнения некоторых вещей в Python – как код отладки.

Kaggle.com Лучшее место для поиска наборов данных, когда вы начинаете. Продолжай и подпишитесь на аккаунт и ткните отель. Вы заметите, что есть много соревнований для людей всех уровней опыта и даже учебных пособий, чтобы пойти с ними (например этот новичок один о титанике). Эти наборы данных будут очень полезны для практики, когда вы изучаете библиотеки Python.

Библиотеки Python

Далее важно изучать общие библиотеки Python для работы с данными: numpy, matplotlib, pandas, scikit – учиться и т. Д. Я рекомендую начать с Этот курс от Datacamp Отказ Он проходит через некоторые основы, которые вы можете пропустить или использовать для обзора, а Numpy Section – это хорошее введение.

Pandas – это обязательство учиться, но также занимает некоторое время, чтобы понять, так как он делает так много вещей. Он построен на вершине Numpy и используется для очистки, подготовки и анализа данных. Он также имеет встроенные инструменты для вещей, таких как визуализация. Я использовал много ресурсов для изучения панд и практики с ним. Вот несколько:

  1. Узнать панды на Кагл
  2. Узнайте видео курс Pandas |. Ноутбук для курса
  3. Jupyter Notebook Дополнительные примеры: Основы |. Построение с MatPlotlib & Pandas |. И многое другое

После того, как Пандас приходит скопику – учись. Именно здесь все начинают применяться к фактическим алгоритмам машинного обучения. Scikit-Surve – это научная библиотека Python для машинного обучения.

Лучший ресурс, который я нашел для этого, – это книга « Руки на машине обучения с Scikit-Learn и Tensorflow ». Я думаю, что это делает очень хорошую работу о том, чтобы учить вас поэтапным с практическими примерами. Первая половина о скопике – учиться, поэтому я сделал эту часть сначала, а затем вернулся к участку Tensorflow.

Есть много других библиотек Python, таких как Keras и Pytorch, но я попаду в те позже. Это уже много, чтобы учиться:)

Мелкое обучение

Это первый шаг в машинном обучении. Scikit-Suart имеет неглубокие функции обучения, такие как линейная регрессия, встроенная в библиотеку. Скакит-изучение книги, которую я упоминаю выше, учит много типов общих алгоритмов обучения машин и позволяет практиковать с руками на примерах.

Пока это хорошо, я все еще нашел, что полезно также пройти через курс обучения машины Andrew NG из Стэнфорда. Это доступно для аудита бесплатно на Coursera (Есть подкаст для этого курса на iTunes, но это немного трудно следовать и задолженно за десять лет). Качество обучения удивительно, и это один из самых рекомендуемых ресурсов в Интернете (это не самое простое, что пройти, поэтому я рекомендую его здесь).

Медленно начинаете проходить через курс Andrew NG и не расстраивайтесь, если вы не понимаете чего-то. Я должен был положить его и поднять его несколько раз. Я также взял Matlab в колледже, который является языком, который он использует в курсе, поэтому у меня не было проблем с этой частью. Но если вы хотите использовать Python вместо этого, вы можете найти Примеры переведены онлайн Отказ

Математика:)

Да, математика необходима. Тем не менее, я не чувствую себя интенсивным, математическим подходом – лучший способ учиться; Это запугивает для многих людей. Поскольку Ocdevel предлагает в своем подкасте (связанном выше), тратить большую часть вашего времени изучения практического машинного обучения и, возможно, 15-20%, изучая математику.

Я думаю, что первый шаг здесь – учиться/осветить статистику. Может быть легче переваривать и быть как очень веселым и практичным. После статистики вам определенно нужно научить немного линейной алгебры и некоторых исчислений, чтобы действительно знать, что происходит в глубоком обучении. Это займет некоторое время, но вот некоторые из ресурсов, которые я рекомендую для этого.

Статистические данные Ресурсы:

  1. Я думаю, что курсы статистики на удобности довольно хорошие. Вы можете начать с Это один а затем изучите другие они предлагают.
  2. Я любил книгу: « Голая статистика ». Это полно практических примеров и приятных для чтения.
  3. Также полезно понимать байесовскую статистику и то, как она отличается частями и классическими моделями. Этот курс Coursera Означает отличная работа, объясняя эти концепции – есть также Часть 2 курса здесь Отказ

Линейные алгебры Ресурсы:

  1. Книга ” Линейная алгебра, шаг за шагом ” отлично. Это как учебник средней школы/колледжа, но хорошо написано и легко следовать. Есть также много упражнений для каждой главы с ответами в спину.
  2. Сущность линейной алгебры видео серии – Пояснения математики на 3blue1Brown удивительны. Я настоятельно рекомендую его математическое содержание.
  3. Существует обзор линейной алгебры в курсе Andrew NG, но я думаю, что два ресурса, которые указаны выше, немного легче использовать для изучения предмета.

Ресурсы исчисления:

Раньше я предпринял несколько лет исчисления, но мне все еще нужно немного подумать. Я поднял использованный учебник для Calc. 1 в местном книжном магазине, чтобы начать. Вот несколько онлайн-ресурсов, которые помогли мне.

  1. Сущность серии Scalculus Video
  2. Понимание исчисления от великих курсов плюс

Другое полезное математика:

  1. Математическое принятие решений от великих курсов плюс

Глубокое обучение

После изучения некоторой математики и основам науки и машины и машины пришло время прыгать в больше алгоритмов и нейронных сетей.

Вы, вероятно, получили вкус глубокого обучения уже с некоторыми из ресурсов, которые я упомянул в части 1, но вот несколько действительно хороших ресурсов, чтобы познакомить вас с нейронными сетью в любом случае. По крайней мере, они будут хорошими обзорами и заполнить некоторые пробелы для вас.

  1. Серия 3blue1Brown, объясняя нейронные сети
  2. INTRO INTRO GULTIZARD к плейлисту в глубоком обучении

Пока вы работаете через курс Andrew NG Stanford, я рекомендую проверить Fast.ai. У них есть несколько высококачественных, практичных видеоуровневых курсов, которые действительно могут помочь учиться и цементировать эти концепции. Первый – Практическое глубокое обучение для кодировщиков А второй – только что выпустил – это Режущий край глубокого обучения для кодировщиков, часть 2 Отказ Я поднял так много вещей от просмотра и повторного повторного просмотра некоторых из этих видео. Еще одна удивительная особенность Fast.ai – Сообщественный форум ; Вероятно, один из самых активных форумов AI Online.

Глубокие библиотеки обучения в Python

Я думаю, что это хорошая идея, чтобы немного учиться от всех трех из этих библиотек. KERAS – это хорошее место для начала, поскольку его API является проще и интуитивно понятным. Прямо сейчас я использую почти целиком Pytorch, который является моим личным фаворитом, но все они имеют Pro’s и Con’s. Таким образом, приятно иметь возможность, чтобы выбрать в разных ситуациях.

Керас

  • Deeplizard Keras Playlist – Этот канал имеет некоторые серьезные хорошие объяснения и примеры. Вы можете подержать вместе с видео с видео или иметь доступ к ноутбукам кода, а также Подписка на Пальтаону на уровне 3 (USD).
  • Я также нашел Документация для KERAS быть довольно хорошим
  • Datacamp имеет много хорошо написанных учебных пособий для ML и KERAS, таких как Вот этот

Tensorflow

Питорчан

Блоги и исследовательские документы

Я нашел это очень полезно читать текущие исследования, как я учусь. Есть много ресурсов, которые помогают сделать сложные концепции, а математику позади них, легче переваривать. Эти документы также намного веселее, чтобы прочитать, тогда вы можете понять.

  1. fast.ai blog.
  2. Дистиллинг .pub – Исследование машинного обучения объяснило четко
  3. Две минуты бумаги – Короткие видеополохи AI и других исследовательских работ
  4. Sanity Arvix – более интуитивно понятный инструмент для поиска, сортировки и сохранения исследовательских работ
  5. Глубокие учебные документы Дорожная карта
  6. Машинное обучение Subreddit – У них есть «Что вы читаете» темы, обсуждающие исследовательские документы
  7. Arxiv Insights – Этот канал имеет большие поломки исследовательских работ AI

Аудионаданное образование

  1. Данные скептическими – У них много хороших более коротких эпизодов, называемых [MINI] S, где они покрывают концепции машинного обучения
  2. Программное обеспечение Ежедневное обучение машины
  3. Ocdevel Machine обучение подкастым – Я уже упоминал этот, но я снова перечисляю это, на всякий, вы пропустили это

Дополнительные учебные ресурсы

Конец

Пожалуйста, хлопайте, если это было полезно:)

Социальные сети: @gwen_faraday

Если вы знаете о любых других ресурсах, которые являются хорошими или видите, что я что-то упускаю, пожалуйста, оставьте ссылки в комментариях. Спасибо.

Читайте ещё по теме: