Как специалисту по анализу данных мне часто задают следующие вопросы:
1. Как научиться машинному обучению, если у меня нет базовых знаний?
2. Стоит ли мне поступать в какой-либо институт, где преподают машинное обучение?
3. Сколько мне будет стоить изучение машинного обучения?
4. Сложно ли использовать математику в машинном обучении?
Прежде чем ответить на все вышеперечисленные вопросы, позвольте мне прояснить вам, что такое наука о данных и почему это будущее?
В Интернете есть много определений науки о данных, но, как я понимаю, наука о данных - это область, в которой вы находите идеи, скрытые закономерности во всех видах данных. С помощью науки о данных мы, люди, можем расширить свои знания, поэтому я думаю, что за наукой о данных будущее. Например, Google создал агента искусственного интеллекта под названием AlphaGO, который победил лучших игроков го в мире, вы можете прочитать об этом на https://deepmind.com/research/alphago /
Теперь, когда определение понято, пришло время обсудить ответы на поставленные выше вопросы.
Итак, давайте начнем с того, как я изучил ML. В первый месяц я изучил математику, необходимую для ML.
В математике нам нужно понимать 3 вещи:
1. Линейная алгебра
2. Исчисление (интегрирование, производные и частные производные)
3. Вероятность и статистика.
Закончив с математикой, я изучил вещи следующим образом:
1. Python.
2. Алгоритмы машинного обучения с библиотеками на python, необходимые для ML.
3. Алгоритмы глубокого обучения с библиотеками на python, необходимые для DL.
4. Решенные тематические исследования по стандартным наборам данных .
На шагах 2, 3 и 4 я узнал, где математика машинного обучения действительно используется и сколько из них используется.
Пока я изучал глубокое обучение, я узнал о подходах к обучению, в основном о двух подходах.
1. Подход к обучению снизу вверх
2. Подход к обучению сверху вниз
1. Подход снизу вверх: -
При таком подходе к обучению сначала вы изучите фундаментальные строительные блоки, а затем, собирая эти блоки вместе, вы изучите сложные концепции.
2. Подход «сверху вниз»: -
При таком подходе к обучению вы сначала смотрите на концепцию с высоты птичьего полета, рассматривая фундаментальные блоки как черные ящики. Этот шаг дает нам обзор концепции, а затем мы получаем более подробную информацию о черных ящиках. Короче говоря, этот подход начинается с более широкой картины, а затем разбивается на более мелкие сегменты.
Теперь вы можете сказать, что, изучая ML, я сначала изучал математику, а затем алгоритмы ML, поэтому я использовал подход «снизу вверх». Но я бы посоветовал вам использовать подход «сверху-вниз», потому что, когда я изучал фундаментальные блоки, такие как математика, я не знал, почему и где.
Чем полезны эти концепции?
Где они конкретно используются?
Я изучал, что и как, но, по моему мнению, этого недостаточно, чтобы полностью понять концепцию. Итак, чтобы ответить, как научиться машинному обучению, если у меня нет базовых знаний о нем? вы должны сделать следующие шаги,
1. Изучите Python на странице - https://www.kaggle.com/learn/python
По указанной выше ссылке вы узнаете основы языка Python для машинного обучения.
2. Получите представление о математике с высоты птичьего полета, используя эти ссылки: -
Линейная алгебра: - https://www.youtube.com/watch?v=fNk_zzaMoSs&list= PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab
Расчет: - https://www.youtube.com/watch?v=WUvTyaaNkzM&list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr
Приведенные выше два плейлиста на YouTube дают вам концептуальное представление о линейной алгебре и исчислении.
Вероятность и статистика: - https://seeing-theory.brown.edu/
По указанной выше ссылке вы попадете на отличный веб-сайт, на котором есть интерактивные графики / анимации / диаграммы, с которыми вы можете может играть и понимать концепции.
3. Курс машинного обучения: - Курс прикладного машинного обучения Андреаса Мюллера. Он является автором книги Введение в машинное обучение с помощью Python и одним из основных разработчиков библиотеки scikit-learn.
4. Курс глубокого обучения: - https://course.fast.ai/
После прохождения двух вышеупомянутых курсов вы получите хорошее понимание концепций, используемых в ML и DL. На мой взгляд, это два лучших курса, которые бесплатно преподают ML и DL.
5. Изучите библиотеки ML и DL из соответствующей документации.
6. Решите проблемы со стандартными наборами данных.
7. Попробуйте реализовать стандартные алгоритмы с нуля.
Вы также можете получить практический опыт работы с python, ML, DL по ссылке: - https://www.kaggle.com/learn/overview
После выполнения вышеперечисленных шагов научитесь читать исследовательские работы и пытаться применять их для лучшего понимания. Также попробуйте принять участие в хакатонах и соревнованиях по kaggle, чтобы продемонстрировать свои навыки.
Так что начните изучать ML прямо сейчас ... Удачи!
