Как научиться машинному обучению за 6 месяцев
Да, этого времени достаточно, чтобы начать работу с приложением машинного обучения. Пусть попрошайничество с уверенностью и цель.
Предварительное условие для изучения машинного обучения
Математика и статистика. Алгоритмы машинного обучения, основанные в основном на некоторой первичной математике и статистике. Но также использовал исчисление и более высокую статистику.
Вы можете найти основные учебные материалы для предпосылок машинного обучения, следуя
https://www.khanacademy.org/math/linear-алгебра
https://www.khanacademy.org/math/statistics-probability
https://www.khanacademy.org/math/calculus-1
https://www.khanacademy.org/math/дифференциальное-исчисление
https://www .khanacademy.org/math/multivariable-calculus
Для продвижения учащийся может найти следующие полезные
https://ocw.mit.edu/courses/mathematics/18-06-linear-алгебра-spring-2010/ [лучшего в мире профессора Гилберта Странга]
https://www.edx. org/micromasters/mitx-statistics-and-data-science
Надеюсь, что большую часть математики и статистики вы уже прошли в школьном образовании. Если нет, пожалуйста, заполните эти учебные пособия или аналогичные учебные пособия.
Многие люди спрашивают меня, какие математические и статистические данные необходимы для изучения машинного обучения? да, они необходимы для понимания алгоритма модели ML, доступного во многих различных библиотеках, над которыми вы будете работать. Мало того, что вам нужно понимать проблему, над которой вы будете работать. Фундаментальным элементом любого приложения ML или DL являются данные. Чтобы понять данные и правильно их очистить для подготовки, необходимо понимать математику и статистику.
Но не волнуйтесь, если вы еще не знакомы с ними. Заходите и переходите по ссылкам, которые я дал выше. Их действительно легко выучить, если вы сосредоточитесь и сосредоточитесь. Желаю вам всего наилучшего.
Второй шаг к изучению лучшего языка для машинного обучения — Python. Вы можете следить
https://www.edx.org/xseries/mitx-computational-thinking-using-python
https://www.freecodecamp.org/news/search/?query=python
https://learn.datacamp.com/
Третий шаг — найти действительно отличный курс по машинному обучению. Да, это действительно сложно, так как их много, и большинство из них того стоят.
Начните с https://www.coursera.org/learn/machine-learning/home/welcome, также можете попробовать https://courses.edx.org/course_modes/choose/course-v1:MITx+6.86x+. 1Т2021/»
Эти оба курса сделают вас настолько уверенными, что вы действительно сможете начать с ML и начать решать проблемы шаг за шагом. Если вы хотите пройти еще какую-то сертификацию, вы также можете получить рекомендации.
Где найти материалы.
Вам нужно много данных для практики. Вы получите их из многих мест, но начните и продолжайте использовать хороший источник данных: https://www.kaggle.com/
https://scholar.google.com/
https://www.visualdata.io/discovery
Вы также можете перейти по этой ссылке для получения дополнительных данных.
Каков наилучший способ обновления?
Присоединяйтесь к команде с открытым исходным кодом, чтобы решить реальную проблему. Вы можете узнать на https://callforcode.org/
https://opensource.google/projects/list/machine-learning
и многих других.
Надеюсь, это поможет вам начать свой путь к машинному обучению. Если вы из другой страны и любите работать удаленно, можете связаться после обучения. Пожалуйста, проверьте https://bizhive.site/ для более подробной информации. Спасибо.
