Пошаговое руководство по машинному обучению
Чтобы помочь мне понять вас, заполните этот опрос (анонимно)
По мере того, как мой контент становится все более популярным, ко мне обращается все больше людей с различными вопросами. Общей темой среди них являются люди, которые хотят проникнуть в машинное обучение. В частности, это от людей, пытающихся научиться машинному обучению. Они рассказывают мне о различных проблемах, когда они плавают по курсам, проектам и электронным книгам / руководствам, не полностью понимая, что они делают, и не развивая уверенности в своем машинном обучении. Более того, они обнаруживают, что забывают основы, что еще больше подрывает их уверенность и затрудняет понимание того, как действовать дальше.
Вы могли бы подумать, что со всеми фантастическими ресурсами было бы намного проще начать работу. Есть множество отличных библиотек, руководств и курсов, которые вы можете пройти. Вы даже можете получить все виды сертификатов, чтобы знать, где вы находитесь. Однако верно и обратное. Со всей этой информацией легко запутаться. Я получил вышеупомянутое сообщение во вторник. Обратите внимание, что, несмотря на то, что он является специалистом в области компьютерных наук (отправитель сообщения является студентом магистратуры) в известной школе, он все еще чувствует себя подавленным. Это происходит из-за парадокса выбора, явления, когда люди чувствуют себя подавленными из-за слишком большого выбора. Ниже приводится известное исследование.
В этой статье я дам вам подробный пошаговый план, который поможет вам изучить машинное обучение. Платных курсов/ссылок не будет, чтобы они были доступны большему количеству людей. Не торопитесь и действительно поймите основы, прежде чем двигаться дальше. Если у вас есть отличные ресурсы, дайте ссылку на них в комментариях ниже или напишите мне о них. Давайте поможем друг другу сделать это.
Шаг 1: ознакомьтесь с кодированием
Это обязательно. Абсолютный шаг 1. Это должно быть легко, но люди продолжают упускать из виду, в какой степени требуется кодирование. Да, никакой код не вещь. Да, такие пакеты, как Tensorflow и Keras, очень упрощают создание моделей. НО они составляют ничтожную часть вашей работы. Вы потратите много времени на изучение пайплайнов, написанных другими людьми. Вам придется просмотреть модели, опубликованные в Интернете, с их документацией. Вы потратите много времени на очень конкретные детали реализации. Все это требует от вас умения кодировать. Один из лучших ресурсов для этого — Научные вычисления с Python от freecodecamp. Он очень хорошо покрывает большинство деталей и структур. Наряду с этим познакомьтесь с рекурсией и возвратом. Это навыки, которые имеют решающее значение в ML.
Когда вы начнете знакомиться с созданием собственных классов, самой простой автоматизацией, записью в файлы и работой с базами данных, вы можете перейти к шагу 2.
Шаг 2: посчитайте
Меня больше всего раздражает, когда люди уверенно говорят мне, что им не нужна математика для глубокого обучения (Tensorflow буквально назван в честь математической концепции). Не знаю, кто пустил этот глупый слух, но нет ничего более далекого от правды. Математика — это больше, чем расчеты. Это учит вас думать. Это язык, который вы используете, чтобы четко сформулировать, как вы можете сформулировать и решить проблему. Это не подлежит обсуждению.
Теперь, когда мы на одной странице, давайте поговорим о том, сколько вам нужно. Это немного. Пока вы знакомы с математическим мышлением и понимаете основные понятия, вы будете эффективны. Естественно, по мере того, как вы пытаетесь стать лучше, математика будет становиться все более и более важной. Обязательно посмотрите следующее видео до конца. В нем подробно рассматриваются четыре математических темы, которые вам нужны (и сколько вам нужно). Это руководство, которое поможет вам достичь хорошего базового уровня. Если вы решите пойти дальше этого, это только поможет.
Что касается источников, из которых вы можете изучать математику, Академия Хана — король. Фантастические курсы, множество задач и отличная система. У профессора Леонарда хорошее исчисление верхнего уровня. YouTube — отличное место, где вы можете учиться и улучшать свои математические навыки.
Шаг 3: базовое машинное обучение
Как только вы начнете получать математическую интуицию, начните изучать основы машинного обучения. У ThreeBlueOneBrown отличный плейлист на нейронных сетях. StatsQuests и RitvikMath — два замечательных канала, которые в понятной форме рассказывают о многих концепциях, связанных с машинным обучением и наукой о данных. Есть также некий ютубер, который ясно и применимо объясняет различные идеи и концепции машинного обучения (подмигивает).
Если вы не отставали от основ, именно тогда вы заметите, насколько они полезны для машинного обучения. Вы сможете читать документацию, просматривать проекты людей на GitHub и в основном разбираться в ресурсах. Это когда вы должны заняться разработкой проектов. Вышеупомянутое видео представляет собой руководство о том, как именно вы должны разрабатывать свои проекты машинного обучения, чтобы максимально использовать их для практического обучения.
На этом этапе вы все еще будете относительным новичком. Однако, когда вы начнете взаимодействовать с каналами машинного обучения и узнавать больше о вещах, вы начнете замечать шаблоны и мысли. И теперь вы компетентны в машинном обучении. Именно сейчас ваш рост начнет ускоряться. Как? Посмотрите на следующий шаг.
Шаг 4: Глубокое погружение в сообщество Papers/ML
До этого момента мы сосредоточились на том, чтобы вооружить вас нужными инструментами. Вы развили способность понимать машинное обучение как теоретически (через математическое обоснование), так и с точки зрения реализации (посредством кодирования). Вы должны быть в состоянии объяснить идею и концепцию общих алгоритмов и реализаций.
Следующим шагом является знакомство с более сложной литературой. Поначалу это может обескураживать. Вы откроете документы и увидите документы и обозначения, которые вас смущают. Совместные разговоры по машинному обучению покажутся 5 минутами английского и 40 минутами жаргона. Это нормально. Это постепенный процесс. Чем больше статей вы прочтете/узнаете, тем больше вы сможете понять. В начале вы можете сосредоточиться на понимании только одной или двух вещей из каждой статьи (мои аннотированные статьи могут помочь в этом). Чем больше вы делаете, тем лучше вы будете получать от них информацию. В этой статье подробно рассказывается о том, как вам следует взаимодействовать с этими сложными документами по машинному обучению, чтобы улучшить свои навыки машинного обучения. На сегодняшний день это одна из моих самых популярных статей.
Как только вы доберетесь до этой стадии, это процесс на всю жизнь. Вы будете продолжать учиться у множества умных людей, которые делятся своими знаниями в Интернете. Некоторыми хорошими отправными точками являются Henry AI Labs, Yannic Kilcher, Robert Miles, Mathematical Monk и Primer. Вы также должны попробовать более сложные проекты, такие как описанный здесь.
Для достижения наилучших результатов обязательно подпишитесь на мою ежедневную рассылку Интервью по программированию — это просто. Он охватывает темы по разработке алгоритмов, математике, последним событиям в области технологий, разработке программного обеспечения и многим другим, чтобы сделать вас лучшим разработчиком. Сейчас действует скидка 20 % на ЦЕЛЫЙ ГОД, так что не забудьте проверить ее.
Я создал Coding Interviews Made Simple, используя новые методы, полученные благодаря обучению нескольких людей в ведущих технологических фирмах. Информационный бюллетень предназначен для того, чтобы помочь вам добиться успеха, избавив вас от часов, потраченных впустую на работу с Leetcode. Вы можете прочитать FAQ и узнать больше здесь
Не стесняйтесь обращаться, если у вас есть какие-либо интересные работы/проекты/идеи для меня. Всегда рад вас выслушать. Для денежной поддержки моей работы следуют мои Venmo и Paypal. Любая сумма приветствуется и очень помогает. Пожертвования открывают эксклюзивный контент, такой как анализ бумаги, специальный код, консультации и специальные тренировки:
Венмо: https://account.venmo.com/u/FNU-Devansh
Paypal: paypal.me/ISeeThings
Свяжитесь со мной
Вы можете связаться со мной на любой из платформ или ознакомиться с любым другим моим контентом. Если вы хотите обсудить репетиторство, напишите мне в LinkedIn, IG или Twitter. Проверьте бесплатную реферальную ссылку Robinhood. Мы оба получаем свободный сток (денег вкладывать не надо), и никакого риска для вас нет. Таким образом, если вы не используете его, вы просто потеряете бесплатные деньги.
Бесплатный еженедельный обзор важных обновлений в области машинного обучения (спонсируется) - https://lnkd.in/gCFTuivn
Ознакомьтесь с другими моими статьями на Medium. : https://rb.gy/zn1aiu
Мой Ютуб: https://rb.gy/88iwdd
Свяжитесь со мной в LinkedIn. Подключаемся: https://rb.gy/m5ok2y
Мой Инстаграм: https://rb.gy/gmvuy9
Мой Твиттер: https://twitter.com/Machine01776819
Если вы готовитесь к программированию/техническим интервью: https://codinginterviewsmadesimple.substack.com/
Получите бесплатный сток на Robinhood: https://join.robinhood.com/fnud75
