Noong nakaraang taon, natapos ko ang kursong Machine Learning Coursera ng Stanford University at Andrews Ng.
Ito ay isang libreng kurso tungkol sa Machine Learning at kaunting Deep Learning na nilikha ni Andrew Ng at ng Stanford University. Bagama't libre ito, maaari kang bumili ng sertipiko sa halagang $70. Ito ay nahahati sa 3 pangunahing kategorya: mga video, mga pagsusulit, at mga pagsasanay sa programming.
Manood ka ng mga video, gagawa ng pagsusulit at magsanay, magdidisenyo ng isang bahagi ng isang algorithm at ipatupad at susubukan ito gamit ang Matlab o Octave.
Ang iniisip ko
Gusto ko ito bilang panimula, pero sa tingin ko ay hindi ito ang pinakamabilis na paraan para makapasok sa mundo ng Machine Learning. Isa itong napaka-teoretikal na kurso. Maganda ito para magkaroon ng pangkalahatang pananaw sa mundo.
- Paano pumili ng isang algorithm.
- Paano pumili at tukuyin ang mga parameter nito.
- Anong mga problema ang maaaring lumitaw sa mga algorithm at kung paano ito itama.
Ang isa pang masamang punto ay ang paggamit ng Matlab o Octave.
Ikinakatuwiran nila na ang Matlab o ang libreng alternatibong Opensource na Octave ay isang napakabilis na kagamitan para sa paggawa ng mga prototype, at totoo iyon, gayunpaman, kapag natapos mo na ang kurso at sinubukang sumisid sa totoong buhay, lahat ay gumagamit ng Python.
Nagtrabaho ako gamit ang Octave at gumugol ako ng maraming oras sa pag-aaral kung paano ito gamitin at ang mga matrix tool nito.
Ang mga pagsasanay ay hindi basta-basta ngunit may mga gabay, gagabay sa iyo, nagbibigay at naghahanda ng kapaligiran at datasheet. Kaya ilang linya lang ng core algorithm ang kailangan mo lang isulat.
Algebra (Vector at Matrixes) at kaunting Calculus ang makikita mo tungkol sa Matematika sa kursong Andrew Ng Machine Learning Coursera.
Narito ang isang slide na may logisti regression cost function. Sa mga pagsasanay, kailangan mong ipatupad ang formula na ito gamit ang Matlab o Octave language at gamit ang Matrix notation.
Nang makinig ako sa usapan tungkol sa Machine Learning, naisip ko ang isang bagay na katulad ng tradisyonal na programming, maraming " kung" at maraming istatistika. At binago ng kursong ito ang aking pananaw at binigyan ako ng mas mahusay na pandaigdigang pananaw kung paano gumagana ang bagay na ito.
Syllabus
Kung gusto mong malaman kung anong kurso ang detalyado, narito ang syllabus. Maaari natin itong hatiin sa dalawang bahagi: May Superbisyon at Walang Superbisyon.
Pinangangasiwaang Pag-aaral
- Modelo at tungkulin ng Gastos
- Gradient descent para sa linear regression
- Regularisasyon
- Mga Neural Network
- Klasipikasyon ng Malalaking Makina at mga Kernel
- Principal Component Analysis (PCA)
- Disenyo ng sistema ng Machine Learning
- Suportahan ang Mga Makina ng Vector
Hindi suportadong Pag-aaral
- Pagbawas sa Dimensionality
- Anomaly Detection
- Mga Sistema ng Tagapayo
- Malaking Pag-aaral ng Makina
Kung gusto mo ng mas detalyadong buod kada linggo
Linggo 1
pagpapakilala
Linear na Regresyon na may Isang Baryabol
Pagsusuri sa Linear Algebra
Linggo 2
Linear na Regresyon na may Maramihang Baryabol
Tutorial sa ctave/Matlab
Linggo 3
Logistic Regression
Regularisasyon
Linggo 4
Mga Neural Network: Representasyon
Linggo 5
Mga Neural Network: Pagkatuto
Linggo 6
Payo para sa Paglalapat ng Machine Learning
Disenyo ng Machine Learning System
Linggo 7
Suportahan ang Mga Makina ng Vector
Linggo 8
Hindi suportadong Pag-aaral
Pagbawas sa Dimensionality
Linggo 9
Anomaly Detection
Mga Sistema ng Tagapayo
Linggo 10
Malaking Pag-aaral ng Makina
Linggo 11
Halimbawa ng Aplikasyon: Photo OCR
Mga mapagkukunan
- Gamitin ang mga forum ng Coursera
- At bagaman Hindi ko inirerekomenda na mayroong github na may mga solusyon para sa mga ehersisyo o pagsusulit.Alam kong maraming taong nandadaya gamit ang Github, pero tandaan na pumipirma ka ng isang dokumentong etikal. At KINAKAILANGAN MO ANG KURSONG ITO PARA, HINDI PARA TAPOSIN ITO.
Ano ang gagawin kapag natapos mo na ang kursong ito
Nakikita ko ito bilang isang panimula sa mundo ng Machine Learning upang matuto ng mga konsepto, ngunit dapat kang mag-aral pa nang higit kapag natapos mo na ang kurso, at kumuha ng mas nakapokus na mga kurso. Irerekomenda ko sa iyo ang isang tao sa post na ito ( mga kurso sa Machine Learning at Deep Dearning )
Matuto ng Python at mga framework tulad ng Tensor Flow, Keras, PyTorch o Numpy Python libraries.
Matuto nang mas malalim na pagkatuto at magpokus, magpokus, magpokus.
At magtrabaho sa isang totoong proyekto o sumali sa mga kompetisyon. Magandang pagpipilian ang Kaggle.
May karanasan ka ba? Magkomento ka lang at sabihin sa amin.