Какой лучший способ научиться машинному обучению с нуля, чтобы освоить?

85
14

спросил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
1
Лучший ответ
80

Прежде чем перейти непосредственно к любым методам, таким как регрессия или классификация, необходимо выполнить три важных условия.

1- Выберите инструмент и освоитесь с ним. Может быть R, Python, Azure ML и т. Д. Как вам удобнее.

2. Многие методы машинного обучения требуют предварительной обработки данных и выбора правильных переменных. Узнайте, как манипулировать и очищать данные на платформе, которую вы предпочитаете. Это связано с тем, что любой код метода машинного обучения будет состоять из одной или двух строк (при условии, что вы не закодируете алгоритм, поскольку имеются доступные пакеты, которые вы можете использовать), но для данных, которые будут предоставлены в качестве входных данных для этих строк, потребуется немного манипуляции и очистки, чтобы получить лучший результат.

3. Обновите свои статистические знания прямо от среднего числа до проверки гипотез. Я бы сказал, что чтение любой основной статистической книги будет соответствовать требованию

Если вы уверены в вышеуказанных трех пунктах, присоединяйтесь к любому онлайн-курсу. Теперь вы сможете лучше общаться и интерпретировать.

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
79

Лучший способ овладеть чем-либо - это иметь страсть к этому.

Машинное обучение может представлять собой широкую область с различными подходами для решения одной проблемы.

Предполагая, что вы ничего не знаете о том, что такое машинное обучение, вам нужно освоить три разные темы.

Программирование. Математика (от простой статистики до Исчисления и линейной алгебры для более сложных моделей, таких как нейронные сети.) Познакомиться с чтением научных работ по машинному обучению.

Научитесь программировать на любом языке, преимущественно на том, который используется для Data Science. Во-вторых, изучать статистику, исчисление и линейную алгебру.

Вот несколько курсов, где мы все можем начать учиться:

Аннотированный путь, чтобы начать с машинного обучения - Джузеппе Бонаккорсо

Изучите машинное обучение с помощью этих онлайн-курсов

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
73

Машинное обучение - это наука о том, как заставить компьютеры действовать без явного программирования. В последнее десятилетие машинное обучение дало нам автомобили с самостоятельным вождением, практическое распознавание речи, эффективный поиск в Интернете и значительно улучшило понимание генома человека. Есть много способов узнать о машинном обучении .. но я могу предложить вам лучшие ресурсы ..,

Основы математики:

Алгебра вероятности и статистическое исчисление

Программирование:

R Python

А также

Библиотеки Python

Лучшие онлайн-курсы машинного обучения:

Машинное обучение A-Z ™: практический Python & R в науке о данных Python для науки о данных и машинного обучения Bootcamp Data Science и машинное обучение Bootcamp с R

Выберите первый курс ..

Из этого курса вы можете узнать о:

Этот курс был разработан двумя профессиональными специалистами в области данных, чтобы мы могли поделиться своими знаниями и помочь вам изучить сложные теории, алгоритмы и библиотеки кодирования простым способом.

Он структурирован следующим образом:

Часть 1. Предварительная обработка данных. Часть 2. Регрессия: простая линейная регрессия, множественная линейная регрессия, полиномиальная регрессия, SVR, регрессия дерева решений, регрессия случайных лесов. Часть 3. Классификация: логистическая регрессия, K-NN, SVM, ядро ​​SVM, наивный байесовский анализ, Классификация дерева решений, Классификация случайных лесов, часть 4 - Кластеризация: K-средства, Иерархическая кластеризация, часть 5 - Обучение правилам ассоциации: Apriori, Eclat, часть 6 - Обучение усилению: верхний предел доверия, Выборка Томпсона, часть 7 - Обработка естественного языка: Bag-of модель ключевых слов и алгоритмы для NLP. Часть 8. Глубокое обучение: искусственные нейронные сети, сверточные нейронные сети. Часть 9. Уменьшение размерности: PCA, LDA, Kernel PCA. Часть 10. Выбор и повышение модели Поиск, XGBoost

А также…

Мастер машинного обучения на Python & R Обладает большой интуицией ко многим моделям машинного обучения. Сделайте точные прогнозы. Сделайте мощный анализ. Создайте надежные модели машинного обучения. Создайте сильную добавленную стоимость для своего бизнеса. Используйте машинное обучение в личных целях. Обучение Обработка передовых методов, таких как уменьшение размерности. Знайте, какую модель машинного обучения выбрать для каждого типа проблемы. Создайте армию из мощных моделей машинного обучения и знайте, как их объединить для решения любой проблемы.

Дополнительные онлайн-курсы:

Полный курс машинного обучения с Python Data Science, глубокое обучение и машинное обучение с Python

ВСЕГО НАИЛУЧШЕГО...

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
62

Следуйте этим 6 ЛЕГКИМ ШАГАМ, чтобы Изучить Основы ОБУЧЕНИЯ МАШИНЫ за 3 месяца.

Удачи!!

Машинное обучение - действительно обширная и быстро развивающаяся область. Это будет подавляющим только для начала. Вы, без сомнения, отскакивали в тот момент, когда вам нужно использовать машину, чтобы понять, как строить модели - у вас есть мысли о том, что вам нужно делать; тем не менее, при фильтрации Интернета для возможных алгоритмов, в последнее время существует слишком много альтернатив.

Чтобы учиться машинному обучению, вы должны быть лучше, чем в среднем по математике. Вот математика, которую вы должны изучить, имея в виду конечную цель, которую нужно подготовить.

Линейная алгебра - Линейная алгебра - MIT 18.06 Линейная алгебра - Гилберт Странг Теория вероятностей - вероятность и статистика - MIT 6.041 Анализ вероятностных систем и прикладная вероятность с помощью исчисления Джона Цициклиса Теория графов многомерного исчисления Методы оптимизации Любой язык программирования, широко используемый для ML, такой как python , MATLAB или C ++.

Постскриптум Я бы порекомендовал здесь Python как язык и рекомендовал бы ссылки ниже:

Машинное обучение с текстом в scikit-learn (PyCon 2016) Машинное обучение в Python с scikit-learn Машинное обучение с Python

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

Выполнив эти требования, вы, наконец, можете начать изучать машинное обучение.

6 простых шагов для использования машинного обучения?

Это место, где начинается самое интересное. Теперь у вас будет фонд, который, как ожидается, начнет изучать немного информации. Прежде чем мы начнем, я перечислил 30 вещей, которые каждый должен знать о машинном обучении. Большинство предприятий по машинному обучению в основном совпадают с рабочим процессом:

ШАГ 1.) Изучите основы машинного обучения, изучив некоторые материалы по этому предмету:

а.) Лекции Эндрю Нга по машинному обучению - отличное начало:

б.) Летняя школа машинного обучения:

c.) Ссылка на полный список воспроизведения находится здесь (Сборник лекций | Машинное обучение)

https: //www.youtube.com/view_pla ...

d.) Сертификат Stanford Data Mining и приложений:

HTTP: //scpd.stanford.edu/public / ...

д.) Введение в искусственный интеллект профессора Дипака Хемани ИИТ Мадрас

Http: //nptel.ac.in/courses/10610 ...

f.) «Лучшее введение в машинное обучение, которое я когда-либо видел».

ШАГ 2.) Пройдите онлайн-курс

Главное, что я советую кому-то, кому нужно заняться машинным обучением, - это пройти онлайн-курс Эндрю Нга.

Я считаю, что курс Нг особенно актуален и исключительно эффективен, так что это необыкновенное знакомство для тех, кому нужно попасть в ОД. Я поражен, когда люди раскрывают мне, что курс «чрезмерно фундаментален» или «чрезмерно мелок».

На случай, если они откроют мне, что я прошу прояснить контраст между логистической регрессией и линейным ядром SVM, PCA и матричной факторизацией, регуляризацией или градиентным спуском. Я разговаривал с претендентами, которые утверждали годы многолетней встречи с ОД, которые не знали ответа на эти запросы. По большей части они ясно разъясняются в курсе Нг.

Есть много других онлайн-курсов, которые вы можете пройти после этого, но теперь вы по большей части готовы перейти к следующему этапу.

Смотрите мой предыдущий пост 10 лучших видео, лекторов и курсов по машинному обучению для начинающих и продвинутых

ШАГ 3.) Некоторые предложения книги

Мой следующий предложенный шаг - получить приличную книгу по ML (ниже), прочитать основные разделы введения, и после этого отскок к любой части, включающей алгоритм, вас заинтересует. Когда вы обнаружите этот алгоритм, прыгайте в него, просматривайте каждую из интересных точек и, в частности, реализуйте ее. На предыдущем этапе онлайн-курса вы бы реализовали несколько алгоритмов в Octave. Как бы то ни было, здесь я смотрю на выполнение алгоритма без какой-либо подготовки на «реальном» языке программирования. В любом случае вы можете начать с простого, например, L2-регуляризованной логистической регрессии, или k-средних, но вам также следует подтолкнуть себя к актуализации всех более интригующих, например, SVM. Вы можете использовать эталонную реализацию в одной из многих существующих библиотек, чтобы обеспечить получение эквивалентных результатов.

Байесовское рассуждение и машинное обучение Дэвида Барбера Машинное обучение Кевина Мерфи: вероятностная перспектива Google говорит, что машинное обучение - это будущее Хести, Тибширани и Фридмана «Элементы статистического обучения».

Есть также многочисленные великие книги, которые обращают внимание на один конкретный предмет. Например, Sutton and Re-Inforcement Learning - это произведение искусства. Кроме того, книга Deep Learning (доступная в Интернете) практически превращается в образцовую, прежде чем она будет распространена. Как бы то ни было, вам требуется пара таких книг, чтобы собрать в некоторой степени далеко идущее и сбалансированное понимание области.

Смотрите мой предыдущий пост 10 бесплатных обязательных книг по основам машинного обучения.

Вы также можете перейти конкретно к исследовательской работе, в которой представлен интересующий вас алгоритм или подход, и перейти к нему.

ШАГ 4.) Самые важные алгоритмы

Вам полагается знать гайки и болты основных алгоритмов.

Смотрите мой предыдущий пост 15 алгоритмов машинного обучения инженеры должны знать.

В любом случае, кроме алгоритмов, очень важно знать, как настроить ваши данные (выбор функций, преобразование и сжатие) и как оценить ваши модели. Возможно, для начала вы могли бы взглянуть на наше учебное упражнение «Машинное обучение в Scikit-Learn» на SciPy 2016. В нем представлена ​​большая часть зачатков при представлении библиотеки Scikit-Learn, которая может оказаться полезной для выполнения и дальнейших экзаменов. :

ШАГ 5.) Поиграйте с некоторыми огромными наборами данных, которые доступны для всех.

Найдите набор данных, который вы находите особенно интригующим или о котором у вас есть гипотезы, и проверьте, правы ли вы.

а.) Данные правительства США http://www.data.gov/

b.) Соревнуйтесь в Kaggle или создайте что-нибудь с помощью одного из своих наборов данных, это действительно забавные и достоверные данные. https://www.kaggle.com/

«Kaggle - это платформа для соревнований по прогнозному моделированию и аналитике, на которых компании и исследователи публикуют свои данные, а статистики и майнеры со всего мира соревнуются в создании лучших моделей». - Wiki

Kaggle предлагает вам широкий спектр проблем машинного обучения. Конкурсы Kaggle «вынуждают» вас кодировать и перекодировать ваше решение максимально эффективным способом, делая компромисс между временем программиста, временем ЦП, ОЗУ и т. Д. Каждое соревнование имеет форум, где конкуренты помогают друг другу решать проблемы. Вы будете соревноваться с некоторыми из лучших инженеров в мире. Наконец рекрутеры прочесывают доски Kaggle в поисках талантливых инженеров. Вы могли бы найти новую должность.

Вы должны начать свою карьеру с Titanic, поэтому, поскольку доступно множество сценариев / задач, у вас будет возможность создавать разнообразные модели, которые также позволят вам понять некоторые алгоритмы машинного обучения.

Далее вы можете заняться интересной темой Facebook Recruiting, почему, поскольку, учитывая простоту структуры данных и расточительность контента, вы можете объединить правильные таблицы и сделать предварительный расчет по этой.

Когда вы закончите с этими двумя, вы должны быть готовы заняться более интересными вопросами в соответствии с вашими интересами.

Я перечислил 40 забавных проектов машинного обучения для начинающих в машинном обучении. Когда вы закончите, вы можете просмотреть 35 лучших проектов машинного обучения на Github, чтобы получить больше вдохновения.

Несколько сайтов, которые могут помочь вам в устранении неполадок: https://stackoverflow.com, http://www.gitxiv.com/, http://www.arxiv-sanity.com/, https://arxiv.org.

ШАГ 6.) Сыграйте часть с машинным обучением, ориентированным на продукт, или мероприятием Attend ML.

Группа, которую вы ищете, должна быть загружена инженерами, которых вы хотите обучать и учить. Это поможет вам стать хорошим инженером машинного обучения. Аналогичным образом, отрываясь от группы продуктов, вы быстро поймете, как наука и гипотеза машинного обучения отличаются от обучения. В частности, как поведение клиента будет показывать вам что-то новое каждый день.

Посетите мероприятия по машинному обучению, где вы сможете понять, что люди делают на переговорах, и получить практические советы по хакатонам, учебным упражнениям и семинарам, таким как:

Конференция по машинному обучению

Стратовская конференция О'Рейли

PyData

Конференция Crowdflower's Rich Data

PS: Хотите узнать последние подробности об ИИ и ML в Интернете, вы ДОЛЖНЫ увидеть эту страницу индекса здесь.

ВЫВОД:

Не стесняйтесь потерпеть неудачу. Большая часть вашего шанса в машинном обучении будет потрачена на попытки понять, почему алгоритм не сработал так, как вы ожидали, или почему я получил ошибки, которые являются обычными. Настойчивость имеет решающее значение.

Просто выпустите все это. Если вы думаете, что логистическая регрессия может работать ... попробуйте это с небольшим набором данных и узнайте, как это работает. Эти ранние действия являются песочницей для освоения техник, не увенчаясь успехом, поэтому используйте их и попробуйте все, что сулит надежду.

В этот момент ... на тот случай, если вы быстро привезете домой бекон с помощью машинного обучения - создайте свой собственный сайт. Создайте веб-сайт, на котором будут представлены все обязательства, которые вы выполнили. Покажи как ты их сделал. Продемонстрировать конечные продукты. Сделай это красиво. Иметь достойные визуальные эффекты. Сделать это способным. Сделайте предмет, который может получить другой человек, а потом поверьте, что бизнес может видеть всю работу, которую вы выполняете.

Чтобы начать с ML, вы должны понимать, что ML не является чем-то точным на 100% - в большинстве случаев это лишь приличное предположение и огромное количество итераций. Поэтому, как правило, сложно придумать какую-то единомышленницу, учитывая время и ресурсы, которые вы потратите на подготовку модели. Так что не пытайтесь найти решения самостоятельно - ищите документы, проекты, экспертов, которые могут вам помочь. Чем быстрее вы получите опыт, тем лучше. Всего наилучшего!!

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
63

Проверьте, как начать AI / ML / DL с нуля здесь. Удачи!!

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
52

Здравствуй,

Вы можете изучить полный курс машинного обучения как для обучения под наблюдением, так и для обучения без учителя с использованием Python.

Вы можете изучать машинное обучение из электронного обучения.

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
52

Я думаю, что лучший способ начать с реализации алгоритмов с нуля.

Когда вы получите достаточное представление о том, как работают такие алгоритмы, как KNN, Linear, Logistic регрессия, SVM или XGBoost, начните практиковаться с различными задачами (как в kaggle, так и в публичных сценариях использования). На этот раз используйте библиотеки ML (например, sci-kit).

Не забудьте подписаться на amp.academy. Нашей целью является обеспечение более глубокого понимания концепций путем создания материала. Вы получите код в браузере и получите обратную связь на каждом шагу.

Всего наилучшего!

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
36

Как развить навыки машинного обучения с нуля или как стать героем в машинном обучении?

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
37

Введение в машинное обучение

WTF - это машинное обучение? Зачем изучать машинное обучение? Путь самообучения

Бесплатный курс самообучения по ML

Шаг 0: Предварительные условия Шаг 1: Режим губки Шаг 2: Целевая практика Шаг 3: Проекты машинного обучения

Бонусы

Лучшие 10 советов для начинающих Дополнительные ресурсы Ускоренный путь самостоятельного стартера

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
37

Начните с этого: Машинное обучение | Coursera

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
37

Эндрю Нг, опытный эксперт в области машинного обучения и глубокого обучения, предлагает этот блестящий курс в сотрудничестве со Стэнфордским университетом. Этот сертификат машинного обучения представляет собой введение в интеллектуальный анализ данных, машинное обучение и статистическое распознавание образов. Темы этого курса включают теорию смещения / дисперсии; инновационный процесс среди других важных элементов, таких как контролируемое и неконтролируемое обучение. При средней оценке 4,9 из 5, это, несомненно, один из лучших курсов и лучших сертификационных курсов.

Рейтинг: 4,9 из 5

Course Link - сертификация машинного обучения Coursera Стэнфордского университета

Автор: Стэнфордский университет

Об этом курсе: Машинное обучение - это наука о том, как заставить компьютеры действовать без явного программирования. В последнее десятилетие машинное обучение дало нам автомобили с самостоятельным вождением, практическое распознавание речи, эффективный поиск в Интернете и значительно улучшило понимание генома человека. Машинное обучение сегодня настолько распространено, что вы, вероятно, используете его десятки раз в день, не зная об этом. Многие исследователи также считают, что это лучший способ достичь ИИ на уровне человека. На этом занятии вы узнаете о наиболее эффективных методах машинного обучения, а также получите практические навыки по их применению и научите их работать на себя. Что еще более важно, вы узнаете не только о теоретических основах обучения, но и получите практические знания, необходимые для быстрого и мощного применения этих методов для решения новых задач. Наконец, вы узнаете о некоторых из лучших практик Силиконовой долины в области инноваций, в том что касается машинного обучения и искусственного интеллекта. Этот курс предоставляет широкое введение в машинное обучение, анализ данных и статистическое распознавание образов. Темы включают: (i) контролируемое обучение (параметрические / непараметрические алгоритмы, машины опорных векторов, ядра, нейронные сети). (ii) неконтролируемое обучение (кластеризация, уменьшение размерности, системы рекомендаций, глубокое обучение). (iii) Лучшие практики в машинном обучении (теория смещения / отклонения; инновационный процесс в машинном обучении и ИИ). Курс также будет основан на многочисленных тематических исследованиях и приложениях, так что вы также узнаете, как применять алгоритмы обучения для создания интеллектуальных роботов (восприятие, контроль), понимания текста (веб-поиск, антиспам), компьютерного зрения, медицинской информатики. , аудио, базы данных майнинг и другие области.

Рейтинг: 4,9 из 5

Top Review: Отличный курс для понимания того, как работают алгоритмы машинного обучения. До этого я провел еще один курс, и он был на более высоком уровне, рассказывая об алгоритмах, которые уже реализованы в библиотеке, и показывая, как их использовать, но этот курс дал мне больше понимания того, как они на самом деле работают, что действительно полезно и интересно. Отличный материал и интересные задания, не слишком сложные

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
36

Как развить навыки машинного обучения с нуля или как стать героем в машинном обучении?

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
37

Читайте наш блог именно по этой теме, т.е. как научиться машинному обучению с нуля

Прежде чем присоединиться к любому курсу, посмотрите следующие видео, чтобы понять основы машинного обучения.

Что такое машинное обучение? Объясняется точно на простом языке.

Удивительные примеры машинного обучения в реальном мире.

Какие существуют алгоритмы в машинном обучении?

Применение машинного обучения в таких отраслях, как социальные сети, поисковые системы, здравоохранение и т. Д.

Что такое машинное обучение Python и как его изучать?

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
37

Applied AI Course - это отличная платформа для машинного обучения. Онлайн-курсы состоят из 140+ часов контента.

Python,

Вероятность и статистика,

Линейная алгебра,

Визуализация данных, 25+ методик машинного обучения, наиболее важные методики глубокого обучения и 10+ практических примеров из реальной жизни, решенных сквозным решением проблем в таких компаниях, как Amazon, Facebook, Quora, Uber, Netflix и т. Д.

Этот курс ориентирован на студентов и работающих специалистов, которые хотят продолжить карьеру в AI / ML. Это помогает участникам курса создать портфолио, если 5+ проектов демонстрируют свою работу потенциальным рекрутерам.

Вы можете найти несколько примеров портфолио текущих студентов здесь. Этот курс очень полезен для студентов, которые хотят продолжить карьеру в области искусственного интеллекта. Они также обеспечивают превосходное обслуживание клиентов, профориентацию и сертификацию для курса

ответил(а) 2019-12-23T22:47:41+03:00 11 месяцев, 1 неделя назад
Ваш ответ
Введите минимум 50 символов
Чтобы , пожалуйста,
Выберите тему жалобы:

Другая проблема