В Интернете существует множество МООК, связанных с машинным обучением. Будь то статистика, модели машинного обучения или даже основная математика, в Интернете доступно много контента, и для тех, кто только начинает заниматься машинным обучением самостоятельно, это может стать довольно сложным, как это стало для меня.
Прошло 3–4 года с тех пор, как я начал заниматься машинным обучением в качестве студента, и я прочитал много лекций в Интернете и в классе, чтобы учиться. Этой записью в блоге я хочу помочь людям, которые хотят изучать машинное обучение в Интернете.
Недавно у меня была возможность взять интервью у некоторых гигантов машинного обучения, и я узнал одну вещь: Вам не нужно знать все. Вам просто нужно знать основы и кое-что заранее, но вы должны знать это очень хорошо. Имея это в виду, я подготовил список МООК по машинному обучению от Coursera, EdX и Udacity. Я также рассмотрел уровень О для людей, не разбирающихся в программировании.
Уровень «О»: вы новичок в программировании.
Если вы новичок в программировании, без сомнения, отправляйтесь в CS50 by Harvard, нет лучшего курса, чем этот, для тех, кто начинает программировать. Это идеальное введение в программирование.
Уровень 1: математика 101
Итак, я знаю, что «вы умеете программировать». Первый шаг - выучить математику. Даже если вы это знаете, вы должны пройти эти курсы, чтобы все освежить в памяти - очень-очень важно.
- Вероятность и данные: это короткий курс, который создаст достаточный (но не необходимый) фон вероятности.
- Stats202 (Статистика 202: Статистические аспекты интеллектуального анализа данных): Хотя в этом курсе говорится интеллектуальный анализ данных, его содержание применимо практически везде в искусственном интеллекте - НЛП, машинное обучение и даже поиск информации.
Уровень 2: ML 101
Итак, теперь я знаю, что «вы немного разбираетесь в математике». Давайте сделаем маленькие шаги к машинному обучению. Многие люди предпочитают начинать с курса coursera профессора Эндрю Нг, но, по моему личному мнению, я считаю, что это слишком много для начинающих, особенно с требованиями Octave / Matlab для наборов задач.
Имея это в виду, я предлагаю вам начать со следующего курса:
Основы машинного обучения с тематическими исследованиями: это один из лучших способов начать с машинного обучения.
Теперь, в зависимости от вашего интереса, вы можете пройти любые / все / некоторые из следующих курсов (по мере необходимости мы будем добавлять больше в этот список):
- НЛП Мичиганского университета
- Текстовый майнинг и аналитика
- Нейронная сеть от крестного отца DL
- Регрессия, Классификация и Кластеризация подробно [НАСТОЯТЕЛЬНО РЕКОМЕНДУЕТСЯ для всех, кто серьезно относится к изучению ML)
Уровень 3: Машинное обучение
Итак, теперь вы знаете некоторое введение в ML. Еще недостаточно, чтобы подготовить вас к тому, что там происходит. Здесь я предлагаю вам бегло просмотреть Проф. Курс Эндрю Нг , наверное, без заданий по программированию.
Я настоятельно рекомендую вам пройти курс CalTech по машинному обучению. Это один из самых замечательных курсов. Это подтолкнет вас и потянет, чтобы узнать больше. В нем есть математика, теория и практичность, и самое приятное то, что курс такой же, как и в CalTech.
Уровень 4: продвинутое машинное обучение
Итак, вы уже многое знаете о машинном обучении. Куда идти дальше? Один из способов - пойти на Coursera и пройти эти 4–5-недельные курсы по отдельным курсам по моделям, таким как регрессия, классификация и т. Д.
Другой способ - изучить глубокое обучение - наверное, самое популярное слово за последнее десятилетие. Нет лучшего места для начала, чем это: http://cs231n.github.io/.
Это не слишком много, но достаточно, чтобы вы узнали достаточно, чтобы вы начали исследовать.
СОВЕТ. Пока вы изучаете все это, убедитесь, что код, который вы выполняете, и изучаемый контент видны посторонним людям (хотя обязательно ознакомьтесь с политикой курса / платформы по этому поводу.)
Это все, ребята. Узнай все это прочь.
Если вы хотите узнать обо мне больше, проверьте мой профиль в LinkedIn.
Спасибо Flipboard.com за эту статью.
