Prošle godine sam završio kurs mašinskog učenja na Coursera-i koju su organizovali Univerzitet Stanford i Andrews Ng.
Besplatan je kurs o mašinskom učenju i malo dubokog učenja koji su kreirali Andrew Ng i Univerzitet Stanford. Iako je besplatan, možete kupiti certifikat za 70 dolara. Podijeljen je u 3 osnovna dijela: video zapise, kvizove i vježbe programiranja.
Gledate videozapise, radite kviz i vježbe, dizajnirate dio algoritma, implementirate ga i testirate pomoću Matlaba ili Octavea.
O čemu mislim
Sviđa mi se kao uvod, ali mislim da nije najbrži način da se uđe u svijet mašinskog učenja. To je vrlo teorijski kurs. Ovo je dobar za sticanje opšte globalne vizije.
- Kako odabrati algoritam.
- Kako odabrati i definirati njegove parametre.
- Koje probleme možete dobiti s algoritmima i kako ih ispraviti.
Još jedna loša stvar je rad sa Matlabom ili Octaveom.
Tvrde da su Matlab ili besplatna opensource alternativa, Octave, vrlo brzi alati za izradu prototipova, i to je istina, međutim, kada završite kurs i pokušate se uroniti u stvarni život, svi koriste Python.
Radio sam s Octaveom i proveo sam mnogo vremena učeći kako ga koristiti i njegove matrične alate.
Vježbe nisu trivijalne, ali postoje vođene, one vas vode, dajući i pripremajući okruženje i podatkovni list. Tako da trebate napisati samo nekoliko redaka osnovnog algoritma.
Algebra (vektori i matrice) i malo računa je ono što ćete pronaći o matematici na kursu mašinskog učenja Andrew Ng Coursera.
Ovdje je slajd s funkcijom troškova logističke regresije. U vježbama morate implementirati ovu formulu pomoću Matlab ili Octave jezika i koristeći matričnu notaciju.
Kada sam slušao predavanja o mašinskom učenju, zamišljao sam nešto slično tradicionalnom programiranju, mnogo "if" uslova i mnogo statistike. Ovaj kurs je promijenio moju perspektivu, dajući mi bolju globalnu viziju o tome kako ova materija funkcioniše.
Syllabus
Ako želite detaljno znati o kojem se kursu radi, evo vam nastavni plan i program. Mogli bismo ga podijeliti u dva dijela: nadzirani i nenadzirani.
Nadzirano učenje
- Model i funkcija troškova
- Gradijentni spust za linearnu regresiju
- Regularizacija
- Neuronske mreže
- Klasifikacija velikih mašina i jezgara
- Analiza glavnih komponenata (PCA)
- Dizajn sistema mašinskog učenja
- Podrška vektorskim mašinama
Učenje bez nadzora
- Smanjenje dimenzija
- Otkrivanje anomalija
- Recommender Systems
- Mašinsko učenje velikih razmjera
Ako želite detaljniji sedmični sažetak
Sedmica 1
Uvod
Linearna regresija s jednom varijablom
Pregled linearne algebre
Sedmica 2
Linearna regresija s više varijabli
ctave/Matlab tutorijal
Sedmica 3
Logistička regresija
Regularizacija
Sedmica 4
Neuronske mreže: Reprezentacija
Sedmica 5
Neuronske mreže: Učenje
Sedmica 6
Savjeti za primjenu mašinskog učenja
Dizajn sistema mašinskog učenja
Sedmica 7
Podrška vektorskim mašinama
Sedmica 8
Učenje bez nadzora
Smanjenje dimenzija
Sedmica 9
Otkrivanje anomalija
Recommender Systems
Sedmica 10
Mašinsko učenje velikih razmjera
Sedmica 11
Primjer primjene: OCR za fotografije
sredstva
- Koristite forume Coursera-e
- I mada Ne preporučujem, postoji GitHub sa rješenjima za vježbe ili kvizove.Znam da postoji mnogo ljudi koji varaju na Githubu, ali zapamtite da potpisujete etički dokument. I VI POHAĐATE OVAJ KURS DA BISTE GA ZAVRŠILI, A NE DA BISTE GA ZAVRŠILI.
Šta uraditi kada završite ovaj kurs
Vidim to kao uvod u svijet mašinskog učenja za učenje koncepata, ali trebao bi više učiti kada završiš kurs i pohađati više usmjerenih kurseva. Preporučujem ti nekoga sa ove pozicije ( kursevi mašinskog učenja i dubokog učenja ).
Naučite Python i frameworkove poput Tensor Flow, Keras, PyTorch ili Numpy Python biblioteka.
Saznajte više o dubokom učenju i fokusu, fokusu, fokusu.
I radite na pravom projektu ili učestvujte u takmičenjima. Kaggle je dobar izbor.
Imate li kakvih iskustava? Molimo vas da nam ih ostavite u komentaru.