Обзор курса по машинному обучению на Coursera

В прошлом году я закончил курс по машинному обучению на Coursera, организованный Стэнфордским университетом и Эндрюсом Нгом.

Это бесплатный курс по машинному обучению и немного по глубокому обучению, созданный Эндрю Нгом и Стэнфордским университетом. Хотя он бесплатный, вы можете приобрести сертификат за 70 долларов. Курс состоит из 3 разделов: видеоуроки, тесты и упражнения по программированию.

Вы смотрите видеоролики, проходите тест и выполняете практические упражнения, разрабатываете часть алгоритма, реализуете и тестируете его с помощью Matlab или Octave.

Что я думаю о

Мне нравится этот курс как вводный, но я думаю, что это не самый быстрый способ войти в мир машинного обучения. Это очень теоретический курс. Он хорошо подходит для получения общего глобального представления.

  • Как выбрать алгоритм.
  • Как выбрать и определить его параметры.
  • Какие проблемы могут возникнуть с алгоритмами и как их исправить.

Ещё один недостаток — работа с Matlab или Octave.

Они утверждают, что Matlab или бесплатная альтернатива с открытым исходным кодом, Octave, — это очень быстрые инструменты для создания прототипов, и это правда, однако, когда вы заканчиваете курс и пытаетесь погрузиться в реальную жизнь, все используют Python.

Я работал с Octave и потратил много времени на изучение его использования и инструментов для работы с матрицами.

Упражнения нетривиальны, но они сопровождаются инструкциями, которые помогут вам подготовить среду и техническое описание. Таким образом, вам останется написать всего несколько строк основного алгоритма.

В курсе Эндрю Нга по машинному обучению на Coursera вы узнаете о математике, в том числе об алгебре (векторной и матричной) и немного о математическом анализе.

СМОТРИТЕ ТАКЖЕ  OpenCode: Полное руководство по программированию на основе ИИ с открытым исходным кодом

Здесь представлен слайд с функцией стоимости логистической регрессии. В упражнениях вам необходимо реализовать эту формулу с помощью языка Matlab или Octave, используя матричную запись.

Функция стоимости логистической регрессии
Слайд с функцией стоимости логистической регрессии

Когда я слушала рассказы о машинном обучении, я представляла себе нечто похожее на традиционное программирование: множество операторов «если» и много статистики. Но этот курс изменил мою точку зрения, дав мне более полное представление о том, как это работает.

Рекомендательная система
Пример рекомендательной системы

программа обучения

Если вы хотите узнать подробности о курсе, вот программа. Мы можем разделить её на две части: контролируемая и самостоятельная.

Контролируемое обучение

  • Модель и функция затрат
  • Градиентный спуск для линейной регрессии
  • регуляризация
  • Нейронные сети
  • Ядра классификации крупных машин
  • Анализ главных компонентов (PCA)
  • проектирование систем машинного обучения
  • Поддержка векторных машин

Обучение без учителя

  • Уменьшение размерности
  • Обнаружение аномалий
  • Рекомендательные Системы
  • Крупномасштабное машинное обучение

Если вам нужен более подробный обзор по неделям

Неделя 1

Введение
Линейная регрессия с одной переменной
Обзор линейной алгебры

Неделя 2

Линейная регрессия с несколькими переменными
Учебное пособие по ctave/Matlab

Неделя 3

Логистическая регрессия
регуляризация

Неделя 4

Нейронные сети: представление

Неделя 5

Нейронные сети: обучение

Неделя 6

Советы по применению машинного обучения
Проектирование систем машинного обучения

Неделя 7

Поддержка векторных машин

Неделя 8

Обучение без учителя
Уменьшение размерности

Неделя 9

Обнаружение аномалий
Рекомендательные Системы

Неделя 10

Крупномасштабное машинное обучение

Неделя 11

Пример применения: распознавание текста на фотографиях (Photo OCR).

Ресурсы

  • Воспользуйтесь форумами Coursera.
  • И хотя Я не рекомендую это делать, решения упражнений или тестов есть на GitHub.Я знаю, что многие жульничают на GitHub, но помните, что вы подписываете документ об этике. И ВЫ ПРОХОДИТЕ ЭТОТ КУРС, НЕ ДЛЯ ТОГО ЧТОБЫ ЕГО ЗАКОНЧИТЬ.
СМОТРИТЕ ТАКЖЕ  Что такое Ollama? Полное руководство по локальному управлению и развертыванию моделей искусственного интеллекта.

Что делать после завершения этого курса?

Я рассматриваю это как введение в мир машинного обучения для изучения концепций. Но после завершения курса вам следует продолжить обучение и пройти более специализированные курсы. Я рекомендую вам кого-нибудь из этой статьи ( курсы по машинному обучению и глубокому анализу ).

Изучите Python и такие фреймворки, как TensorFlow, Keras, PyTorch или библиотеки Numpy для Python.

Узнайте больше об углубленном обучении и концентрации внимания, концентрации внимания, концентрации внимания.

А еще можно поработать над реальным проектом или принять участие в соревнованиях. Kaggle — хороший выбор.

У вас есть опыт в этой области? Пожалуйста, оставьте комментарий и расскажите нам об этом.

Оставьте комментарий