5 ресурсов, которые высоки для меня как новичка.
Частый вопрос, который я получаю от студентов, заинтересованных в изучении искусственного интеллекта:
«Привет, Экин, какие ресурсы вы бы порекомендовали для начала работы в области искусственного интеллекта и машинного обучения?»
Это отличный вопрос. Часто легко потеряться в океане ресурсов, имеющихся на полке или в Интернете.
Для всех тех любопытных новичков, которые просто ищут место для начала, вот 5 основных ресурсов, которые сыграли важную роль в моем собственном пути от нуля до профессионального уровня (еще не герой, но стремящийся стать лучше ежедневно)!
1. Нейронные сети и глубокое обучение
Майкл Нильсон
Описание
Что касается книг для начинающих, то лучше этого не бывает. В этой бесплатной онлайн-книге Нильсон тщательно создает концептуально ясную иллюстрацию нейронных сетей, используя как принципиальный, так и практический подход.
Нильсон пишет для новичков, сознательно исключая ненужный жаргон и мелкие фрагменты информации.
Хотя идеи, изложенные в этой книге, являются лишь подмножествами более широкой области, которую мы называем машинным обучением, они, бесспорно, являются критически важными, которые, будучи понятыми, ломают ментальные барьеры на пути к пониманию машинного обучения и широко открывают двери понимания.
Рекомендации
- Делайте заметки при чтении концептуальных глав. Они не должны быть красивыми или многословными. Простое записывание информации может улучшить долгосрочное удержание.
- Следуйте практическим руководствам. Найдите время, чтобы не только воспроизвести код нейронной сети, который предоставляет Nielson, но и проанализировать назначение каждой строки кода. Простое выполнение этой задачи укрепит ваше понимание нейронных сетей.
Ссылка
2. Сирадж Раваль, канал на YouTube
Сирадж Раваль
Описание
Сирадж - ваш парень для всех, кто хоть немного интересуется искусственным интеллектом. В видеороликах Сираджа, наполненных релевантным юмором и высокоуровневыми визуальными элементами, раскрываются замысловатые концепции искусственного интеллекта в увлекательной, но поучительной манере.
Его видео охватывают почти все известные темы в области искусственного интеллекта. Он снимал видеоролики, начиная от 5-минутного руководства по TensorFlow и заканчивая серией статей о математике, лежащей в основе ИИ.
Рекомендации
- Подпишитесь, чтобы получать уведомления о новом контенте. Изучая ИИ, важно полностью погрузиться в поле. Один из способов сделать это - посмотреть увлекательные видео Сираджа! Сирадж еженедельно создает видеоролики, чтобы гарантировать, что все заметные достижения будут доступны широкой публике.
- Изучая новую концепцию, сначала поищите его канал. Видеообъяснения Сираджа служат отличной отправной точкой. Используйте их как стартовую площадку при изучении незнакомых идей.
Ссылка
3. Kaggle
Описание
Kaggle, рекламируемый как «Ваш дом для науки о данных», является идеальным ресурсом для развития специалистов по данным, поскольку он позволяет вам применять на практике концепции машинного обучения.
Сам Kaggle снабжен огромным набором ресурсов: практические руководства, вводные соревнования, исследовательские ядра (подробнее об этом через секунду) и многое другое.
Более того, Kaggle - это сообщество, в котором полно энтузиастов-специалистов по данным, которые на 100% готовы помочь.
(Ядро Kaggle - это бесплатная среда разработки в браузере. Подробнее о ядрах Kaggle здесь :)
Рекомендации
- Начните с руководств по машинному обучению. Это самый простой способ адаптироваться к новой среде.
- После этого присоединитесь к начальному конкурсу (т. Е. К набору данных MNIST) и посмотрите исходный код, который они предоставляют.
- Начните с простого, не торопитесь и развивайтесь. Увидев все крутые проекты на Kaggle, часто чувствуешь себя брошенным. НЕ УДИВЛЯЙТЕСЬ! Потерпи. Начни с простого. Построить.
- Посмотрите на общедоступные ядра (чужой код)! Сделав это, вы познакомитесь с популярными библиотеками машинного обучения, такими как numpy, pandas, scikitlearn, TensorFlow и PyTorch,
Ссылка
4. На пути к науке о данных
Описание
Если вы читаете эту статью, то, скорее всего, понимаете ценность статей среднего размера. «Наука о данных в среде» - это обширный сборник кратких, содержательных статей, страстно написанных энтузиастами науки о данных.
Если вы не понимаете сложной концепции, попробуйте поискать ее в TDS.
Рекомендации
- Читайте рекомендованную статью каждый день. Это поможет углубить ваше понимание концепций искусственного интеллекта и познакомит вас с разнообразным набором тем в этой области.
- Читайте разные темы каждый день. Как и любой хороший обучающий набор, данные, которые вы вводите в свои нейронные сети, должны быть максимально разнообразными, чтобы вы могли обобщать их перед лицом неизвестности.
- Записывайте идеи во время чтения. Простой процесс записи важной информации может улучшить ее удержание.
5. Глубокое обучение
Ян Гудфеллоу, Йошуа Бенжио и Аарон Курвиль
Описание
Хотя эта книга (очень) математически насыщена, она укрепила мой фундамент. Это дало мне возможность понять более строгие концепции в этой области. В некотором смысле это подготовило меня к суровости академической литературы (то есть исследовательских работ).
Книга задумана как учебник по глубокому обучению. Так что да, как и следовало ожидать, у него есть свойства стандартного учебника: жаргон и точные определения. Недостаток в удобочитаемости он более чем компенсирует качеством.
Он отлично справляется с формальным объяснением концепций ML и DL, тем самым заполняя пробелы, оставленные более простыми ресурсами.
Рекомендации
- Не позволяйте монстру по имени «математика» запугать вас. Если вы заинтересованы в изучении машинного обучения, математика так же неизбежна, как и Танос. Так что принимайте это спокойно, создавайте свой фундамент и не чувствуйте себя брошенным.
- Дополните ее другими ресурсами. Если вы попытаетесь прочитать эту книгу отдельно, вы, вероятно, сойдете с ума. Если есть концепции, которые, как вам кажется, запутываются из-за сложных математических рассуждений, то обычно достаточно простого поиска в Google! Также используйте другие ресурсы в этой статье (TDS, Siraj и т. Д.) В качестве дополнений.
Ссылка
Заключение
ПОЗДРАВЛЯЕМ!
Вы только что сделали первый шаг к началу работы: выяснили, с чего начать.
Машинное обучение - обширная область, и перечисленные выше ресурсы никоим образом не охватывают каждую деталь.
Не забудьте использовать эти ресурсы в качестве стартовых площадок, чтобы постепенно укрепить свои основы как в машинном обучении, так и в популярном подмножестве глубокого обучения.
Теперь, когда вы знаете, с чего начать, направьте свой энтузиазм и вложите все, что у вас есть!
