Мне нравится приобретать новые навыки и адаптировать их к своей повседневной работе. Совсем недавно я изучил науку о данных, чтобы разработать проект, который предоставил ценные данные для всей компании. В рамках своих планов на 2021 год я решил попробовать машинное обучение. Как и в других моих решениях, я не действовал и в этом. Вот почему я решил записывать свой прогресс, и это заставит меня начать что-то делать, а не откладывать на потом.

Я планирую использовать ML для автоматизации некоторого анализа, который выполняется людьми. Я считаю, что построение модели, которая может определять шаблоны, может сэкономить нам время для этой конкретной задачи. Кроме того, я планирую использовать ML для тестирования видеокарт. Поэтому я попытаюсь перейти к этому варианту использования. Если вы ищете другой вариант использования ML, вы можете соответствующим образом изменить свою дорожную карту.

Как и все проекты, которые я делаю, я решил нарисовать свою собственную дорожную карту. Возможно, я буду обновлять и улучшать дорожную карту по мере продвижения, но на данный момент это то, что я придумал. Когда я немного поискал, то понял, что не могу найти единый источник, где собрана вся эта информация, и у всех разные мнения и подходы к изучению машинного обучения. Поэтому я решил составить для себя дорожную карту из множества источников, а не использовать чужие.

1) Базовое исчисление/линейная алгебра. Важно понимать, что делают производные и как работают матричные операции.

2)Программирование. Не требует пояснений. Python — самый популярный язык для машинного обучения, поэтому я предлагаю изучить хотя бы основы, прежде чем погрузиться в него.

3) Наука о данных. Важно манипулировать и фильтровать входные данные. Если вы используете неидеальные данные, ваша модель может легко получить предвзятость и стать бесполезной.

4) Основы машинного обучения. Я разделю этот раздел на два подраздела: теоретический и технический. В теоретическом разделе есть учебные материалы для понимания общей картины машинного обучения. Кроме того, я поделился чрезвычайно подробной дорожной картой Дэниела Берка по машинному обучению. В технической части я поделился кучей источников, за которыми, по моему мнению, было бы интересно следить.

  • Теоретические знания

— Серия 3brown1Blue

— ИИ для всех

— Дорожная карта машинного обучения Дэниела Берка

  • Технические знания

— Мастерство машинного обучения. Этот сайт может быть утомительным по содержанию, однако он хорошо демонстрирует, как развиваются навыки машинного обучения и что вы должны изучить, переходя на следующий уровень.

— Ускоренный курс Google ML. Если вы хотите сделать свой первый шаг в машинном обучении под руководством Google, этот курс для вас. Вы не ошибетесь с Google, учитывая, что именно они разработали Tensorflow, де-факто библиотеку ML.

— Курс Эндрю Нг по машинному обучению. Отец курсов машинного обучения. На каждом сайте кто-то предложит вам пройти этот курс. Однако я не думаю, что это так полезно, как было раньше. Прежде чем вы разозлитесь, бросьте статью, выслушайте меня. Эндрю Н. Г. использует Octave и Matlab для этого курса. Несмотря на то, что это хороший выбор для обучения концепциям, это ужасный выбор для среды машинного обучения. Обычный выбор языка — Python, и у него есть отличное сообщество с открытым исходным кодом, которое поддерживает библиотеки. Поскольку все больше людей используют Python для ML, товарищам, которые находятся на вашем месте, это проще. С другой стороны, Octave и Matlab не популярны в мире машинного обучения и не имеют хорошей поддержки. Однако это ни в коем случае не означает, что это плохой курс. Это просто непригодно для использования, и вам может потребоваться дополнительное время для изучения других инструментов.

— Курс Удемы. Один из самых популярных курсов в Udemy. На момент написания этой статьи в нем обучалось более 750 000 студентов. Этот курс адресован новичкам. Он четко объясняет концепции AI и ML как концепцию, прежде чем углубляться в нее. Это хороший шлюз для ML.

— Амазон. Недавно AWS опубликовала свои внутренние курсы по машинному обучению. Я не думаю, что это курс для начинающих. Однако если вы хотите использовать AWS для машинного обучения, это может стать отличным способом привыкнуть к экосистеме AWS.

— Другие отличные курсы, если вы ищете что-то другое.

5) Расширенные темы машинного обучения. Я выбрал эти темы, чтобы создать этот раздел для своих нужд, о которых я упоминал ранее. Если вы зашли так далеко, вы, вероятно, знаете, чего хотите от машинного обучения, и у вас есть своя собственная дорожная карта.

Что касается меня, я не думаю, что у меня есть сильный опыт работы с NumPy. Я планирую просмотреть курс Numpy и перейти к шагу 4. На данный момент я не уверен, какие программы или курсы выбрать, хотя я перечислил наиболее важные из них. Кроме того, я хочу быть реалистом, поэтому, возможно, я выберу один курс и постараюсь придерживаться его. До журнала[1] берегите себя.