Прошле године сам завршио курс машинског учења на Coursera-и Универзитета Станфорд и Ендруса Нг.
Бесплатан је курс о машинском учењу и мало дубоком учењу који су креирали Ендру Нг и Универзитет Станфорд. Иако је бесплатан, можете купити сертификат за 70 долара. Подељен је на 3 основна дела: видео записе, квизове и вежбе програмирања.
Гледате видео записе, радите квиз и вежбе, дизајнирате део алгоритма и имплементирате га и тестирате помоћу Matlab-а или Octave-а.
О чему мислим
Свиђа ми се као увод, али мислим да није најбржи начин да се уђе у свет машинског учења. То је веома теоријски курс. Ово је добар за стицање опште глобалне визије.
- Како одабрати алгоритам.
- Како одабрати и дефинисати његове параметре.
- Које проблеме можете добити са алгоритмима и како их исправити.
Још једна лоша страна је рад са Матлабом или Октавом.
Они тврде да су Matlab или бесплатна Opensource алтернатива, Octave, веома брзи алати за прављење прототипова, и то је тачно, међутим, када завршите курс и покушате да се упустите у стварни живот, сви користе Python.
Радио сам са Октавом и провео сам доста времена учећи како да га користим и његове матричне алате.
Вежбе нису тривијалне, али постоје вођене, оне вас воде, дајући и припремајући окружење и технички лист. Тако да треба да напишете само неколико редова основног алгоритма.
Алгебра (вектор и матрице) и мало калкулуса је оно што ћете пронаћи о математици на курсу машинског учења Ендруа Нга.
Овде је слајд са функцијом трошкова логистичке регресије. У вежбама морате имплементирати ову формулу помоћу Matlab или Octave језика и користећи матрични запис.
Када сам слушао предавања о машинском учењу, замишљао сам нешто слично традиционалном програмирању, много ако и много статистике. А овај курс је променио моју тачку гледишта, дајући ми бољу глобалну визију о томе како ова материја функционише.
Наставни план
Ако желите да знате детаљно о чему се ради у оквиру курса, ево вам приказујемо наставни план и програм. Могли бисмо га поделити на два дела: са надзором и без надзора.
Надгледано учење
- Модел и функција трошкова
- Градијентни спуст за линеарну регресију
- Регуларизација
- Неуронске мреже
- Класификација великих машина и језгра
- Анализа главне компоненте (ПЦА)
- Дизајн система машинског учења
- Подршка векторских машина
Учење без надзора
- Смањење димензија
- Детекција аномалије
- Рецоммендер Системс
- Машинско учење великих размера
Ако желите детаљнији резиме по недељама
Недеља КСНУМКС
Увод
Линеарна регресија са једном променљивом
Преглед линеарне алгебре
Недеља КСНУМКС
Линеарна регресија са више променљивих
ctave/Matlab туторијал
Недеља КСНУМКС
Логистичка регресија
Регуларизација
Недеља КСНУМКС
Неуронске мреже: Репрезентација
Недеља КСНУМКС
Неуронске мреже: Учење
Недеља КСНУМКС
Савети за примену машинског учења
Дизајн система за машинско учење
Недеља КСНУМКС
Подршка векторских машина
Недеља КСНУМКС
Учење без надзора
Смањење димензија
Недеља КСНУМКС
Детекција аномалије
Рецоммендер Системс
Недеља КСНУМКС
Машинско учење великих размера
Недеља КСНУМКС
Пример примене: ОЦР фотографија
средства
- Користите форуме Coursera-е
- И мада Не препоручујем, постоји гитхаб са решењима за вежбе или квизове.Знам да има много људи који варају са Гитхабом, али запамтите да потписујете етички документ. И ПОХОДАТЕ ОВАЈ КУРС ДА БИСТЕ ГА ЗАВРШИЛИ, А НЕ ДА БИСТЕ ГА ЗАВРШИЛИ.
Шта да радите када завршите овај курс
Видим то као увод у свет машинског учења за учење концепата, али требало би да више учиш када завршиш курс и да похађаш више фокусираних курсева. Препоручујем ти некога са ове позиције ( курсеви машинског учења и дубоког учења ).
Научите Пајтон и фрејмворке као што су Tensor Flow, Keras, PyTorch или Numpy Python библиотеке.
Сазнајте више о дубоком учењу и фокусу, фокусу, фокусу.
И радите на стварном пројекту или учествујте на такмичењима. Kaggle је добар избор.
Имате ли искуства? Молимо вас да коментаришете и реците нам га.