Eelmisel aastal lõpetasin Stanfordi ülikooli ja Andrew Ngi korraldatud masinõppe Coursera kursuse.
See on Andrew Ngi ja Stanfordi ülikooli loodud tasuta kursus masinõppe ja natuke süvaõppe kohta. Kuigi see on tasuta, saab 70 dollari eest osta sertifikaadi. See on jagatud kolmeks osaks: videod, viktoriinid ja programmeerimisharjutused.
Sa vaatad videoid, teed viktoriini ja harjutusülesandeid, kavandad osa algoritmist ning rakendad ja testid seda Matlabi või Octave'iga.
Mida ma arvan
Sissejuhatusena meeldib see mulle, aga ma arvan, et see pole kiireim viis masinõppe maailma sisenemiseks. See on väga teoreetiline kursus. See on hea üldise ülevaate saamiseks.
- Kuidas valida algoritmi.
- Kuidas valida ja määratleda selle parameetreid.
- Milliseid probleeme algoritmidega tekkida võib ja kuidas neid parandada.
Teine halb külg on Matlabi või Octave'iga töötamine.
Nad väidavad, et Matlab või tasuta avatud lähtekoodiga alternatiiv Octave on prototüüpide tegemiseks väga kiired tööriistad ja see on tõsi, aga kui kursuse lõpetad ja proovid pärisellu sukelduda, kasutavad kõik Pythoni.
Ma töötasin Octave'iga ja veetsin palju aega selle ja selle maatriksitööriistade kasutamise õppimisega.
Harjutused ei ole triviaalsed, kuid on juhendatud ja juhendavad teid keskkonna ja andmelehe loomisel ning ettevalmistamisel. Nii et peate põhialgoritmist kirjutama vaid paar rida.
Algebra (vektorid ja maatriksid) ning natuke matemaatilist analüüsi on see, mida leiad matemaatika kohta Andrew Ngi masinõppe Coursera kursuselt.
Siin on slaid logistilise regressiooni kulufunktsiooniga. Harjutustes peate selle valemi rakendama Matlabi või Octave'i programmeerimiskeeles ja maatriksitähistust kasutades.
Kui ma kuulasin juttu masinõppest, kujutasin ette midagi sarnast traditsioonilisele programmeerimisele – palju " kui"-küsimusi ja palju statistikat. Ja see kursus muutis minu vaatenurka, andes mulle parema globaalse nägemuse sellest, kuidas see teema toimib.
Õppekava
Kui soovite kursuse kohta üksikasjalikumalt teada, siis siin on õppekava. Selle saab jagada kahte ossa: juhendatud ja juhendamata.
Juhendatud õppimine
- Mudeli ja kulu funktsioon
- Lineaarse regressiooni gradiendi laskumine
- Reguleerimine
- Närvivõrgud
- Suurte masinate klassifikatsioon y Tuumad
- Põhikomponentide analüüs (PCA)
- Masinõppe süsteemi disain
- Toetage vektormasinaid
Juhendamata õppimine
- Mõõtmete vähendamine
- Anomaalia tuvastamine
- Soovitaja süsteemid
- Laiaulatuslik masinõpe
Kui soovite nädalate kaupa detailsemat kokkuvõtet
Nädal 1
Sissejuhatus
Lineaarne regressioon ühe muutujaga
Lineaaralgebra ülevaade
Nädal 2
Lineaarne regressioon mitme muutujaga
ctave/Matlabi õpetus
Nädal 3
Logistiline regressioon
Reguleerimine
Nädal 4
Neuraalvõrgud: esitus
Nädal 5
Neuraalvõrgud: õppimine
Nädal 6
Nõuanded masinõppe rakendamiseks
Masinõppesüsteemi disain
Nädal 7
Toetage vektormasinaid
Nädal 8
Juhendamata õppimine
Mõõtmete vähendamine
Nädal 9
Anomaalia tuvastamine
Soovitaja süsteemid
Nädal 10
Laiaulatuslik masinõpe
Nädal 11
Rakendusnäide: fotode OCR
Ressursid
- Kasutage Coursera foorumeid
- Ja kuigi Ma ei soovita seda, seal on Github koos harjutuste või viktoriinide lahendustega.Ma tean, et paljud inimesed petavad Githubiga, aga pidage meeles, et te allkirjastate eetikadokumendi. JA TE KASUTATE SELLE KURSUSE, EI, ET SELLE LÕPETADA.
Mida teha pärast selle kursuse lõpetamist
Näen seda kui sissejuhatust masinõppe maailma kontseptsioonide õppimiseks, aga pärast kursuse lõpetamist peaksite rohkem õppima ja läbima täpsemaid kursusi. Soovitan teile kedagi selles postituses ( masinõppe ja süvaõppe kursused ).
Õpi Pythoni ja raamistikke nagu Tensor Flow, Keras, PyTorch või Numpy Pythoni teeke.
Õpi rohkem süvaõpet ja keskendumist, keskendumist, keskendumist.
Ja tööta päris projektis või osale võistlustel. Kaggle on hea valik.
Kas teil on kogemusi? Palun kommenteerige ja jagage neid meiega.