راهنمای یادگیری ماشین برای افراد متوسط

راهنمای یادگیری ماشین برای افراد متوسط

یادگیری ماشین (ML) به طور مداوم در شیوع جهانی رشد یافته است. پیامدهای آن از پیروزیهای کوچک و به ظاهر غیرمترقبه گرفته تا اکتشافات پیشگامانه گسترش یافته است. جامعه SEO نیز از این قاعده مستثنی نیست . درک و شهود یادگیری ماشین می تواند درک ما را از چالش ها و راه حل های مهندسان گوگل با آن روبرو کند ، ضمن اینکه ذهن ما را به پیامدهای گسترده تر ML باز می کند.

مزایای به دست آوردن درک عمومی از یادگیری ماشین عبارتند از:

    کسب همدلی برای مهندسین ، که درنهایت سعی در ایجاد بهترین نتیجه برای کاربران دارند

    درک مشکلاتی که ماشین آلات برای آنها حل می کنند ، توانایی های فعلی آنها و اهداف دانشمندان است

    درک ایستم رقابتی و نحوه استفاده شرکتها از یادگیری ماشینی برای هدایت نتایج

    آماده کردن خود برای آنچه که بسیاری از رهبران صنعت آن را تغییر اساسی در جامعه ما می نامند (اندرو نگ از هوش مصنوعی به عنوان "برق جدید" یاد می کند )

    درک مفاهیم اساسی که غالباً در تحقیقات قرار می گیرند (به من در درک مفاهیم خاصی که در تحقیقات Google Brain در ظاهر هستند به من کمک می کنند)

    در حال رشد به عنوان یک فرد و گسترش افق های خود (ممکن است واقعاً از یادگیری ماشین لذت ببرید!)

    وقتی کد تولید می شود و داده ها تولید می شود ، یک احساس بسیار تحقق بخش و قدرتمند است (حتی اگر نتیجه بسیار فروتنانه باشد)

من یک سال را صرف گذراندن دوره های آنلاین ، خواندن کتاب و یادگیری در مورد یادگیری (. به عنوان یک ماشین) کردم. این پست ثمره حاصل از آن کار است - 17 منبع یادگیری ماشینی (از جمله دوره های آنلاین ، کتاب ها ، راهنماها ، سخنرانی های کنفرانس و غیره) را که شامل مقرون به صرفه ترین و محبوب ترین منابع یادگیری ماشین در وب است (از طریق لنز یک مبتدی کامل) من همچنین خلاصه ای از "اگر مجدداً شروع می کردم ، چگونه به آن نزدیک می شوم" اضافه کردم.

این مقاله در مورد اعتبار یا مدرک نیست. این در مورد جوها و ژاناها به طور منظم با علاقه به یادگیری ماشین است و کسانی که می خواهند زمان یادگیری خود را به طور مؤثر بگذرانند. بیشتر این منابع بیش از 50 ساعت تعهد مصرف می کنند. هیچ کس وقت خود را برای اتلاف دردناک یک هفته کار (به ویژه هنگامی که احتمالاً در زمان شخصی شما به پایان رسیده است) نرسیده است. هدف در اینجا این است که شما بتوانید منبعی را پیدا کنید که متناسب با سبک یادگیری شما باشد. من واقعاً امیدوارم که شما این تحقیق را مفید بدانید ، و من نظرات خود را در مورد اینکه کدام مطالب مفیدترین استفاده را نشان می دهند تشویق می کنم. #HumanLearningMachineLearning

خلاصه اجرایی:

* رایگان است ، اما هزینه اجرای نمونه AWS EC2 وجود دارد (70 دلار پس از اتمام من ، اما من یک تن تنک کردم و یک ژنراتور اسکریپت ریک و مورتی ساختم ، که من دوره های بسیاری از آن را اجرا کردم).

این برنامه پیشنهادی من است:

1. شروع (60 ساعت تخمین زده می شود)

با محتوای کوتاهتر که مبتدیان را هدف قرار می دهد شروع کنید. این امر به شما امکان می دهد تا با کمترین تعهد زمانی ، حواشی را که می گذرد دریافت کنید.

        سه ساعت به ماشین جیسون مِی یادگیری 101 سرسره متعهد باشید: 2 سال از سر استفاده کنید ، بنابراین لازم نیست .

        دو ساعت به تماشای دستور العمل های Google ML Google Google با لیست پخش YouTube YouTube جوش گوردون متعهد شوید.

        برای عضویت در خبرنامه یادگیری ماشین سام DeBrule باشید.

        از طریق Google Crash Course Learning Machine کار کنید .

        شروع به گوش دادن به راهنمای OCDevel's Learning Machine Podcast (قسمت های 1 ، 3 ، 16 ، 21 و 26) در اتومبیل خود ، کار کردن ، و / یا هنگام استفاده از دست و چشم برای سایر فعالیت ها کنید.

        دو روز کار را از طریق مسیر یادگیری ماشین Kaggle قسمت 1 تعهد کنید.

2. آماده ارتکاب (تخمین 80 ساعت)

در این مرحله ، زبان آموزان سطح علاقه خود را درک می کنند. با مطالب متمرکز در استفاده از دانش مربوطه در سریعترین زمان ممکن ادامه دهید.

        10 هفته در هفته و به مدت 7 هفته به Fast.ai متعهد شوید . اگر یک دوست / مربی دارید که می تواند به شما در کار از طریق راه اندازی AWS کمک کند ، قطعاً به هرگونه پشتیبانی در نصب تکیه دهید (این 100٪ بدترین قسمت ML است).

        یادگیری ماشین دست در دست با Scikit-Learn و TensorFlow: مفاهیم ، ابزارها و تکنیک های ساخت سیستم های هوشمند را بدست آورید و دو فصل اول را فوراً بخوانید. سپس از این به عنوان مکمل دوره Fast.ai استفاده کنید.

3. گسترش افق های خود (تخمین زده می شود 115 ساعت)

اگر بخش آخر را آنرا ساخته اید و هنوز برای دانش بیشتر گرسنه هستید ، برای گسترش افق خود حرکت کنید. مطالب متمرکز بر آموزش وسعت یادگیری ماشین را بخوانید - ایجاد یک شهود برای آنچه الگوریتم ها در تلاش هستند (چه بصری و چه ریاضی).

        شروع به تماشای فیلم و شرکت در Udacity's Intro to Learning Machine (توسط سباستین ترون و کتی مالون) کنید.

        کار را از طریق دوره یادگیری ماشین Coursera اندرو Ng انجام دهید.

مراحل بعدی شما

در این مرحله ، شما در حال حاضر موارد AWS در حال اجرا ، یک پایه ریاضی و یک دید کلی از یادگیری ماشین را خواهید داشت. این نقطه پرش شما برای تعیین کارهایی است که می خواهید انجام دهید.

شما باید بتوانید قدم بعدی خود را بر اساس علاقه خود تعیین کنید ، چه اینکه وارد مسابقات Kaggle شود. انجام قسمت fast.ai قسمت دوم؛ غواصی عمیق در ریاضیات با الگوی شناخت و یادگیری ماشین توسط کریستوفر بیشوپ . دادن دوره جدید Deeplearning.ai جدید اندرو Ng در Coursera. کسب اطلاعات بیشتر در مورد پشته های فنی خاص (TensorFlow ، Scikit-Learn ، Keras ، Pandas ، Numpy ، و غیره)؛ یا استفاده از یادگیری ماشین برای مشکلات خودتان.

چرا من این مراحل و منابع را توصیه می کنم؟

من صلاحیت نوشتن مقاله در مورد یادگیری ماشین را ندارم. من دکترا ندارم من یک کلاس آماری را در دانشگاه گذراندم که اولین لحظه بود که واقعاً واکنشهای "جنگ یا پرواز" را درک کردم. به علاوه ، مهارت های کد نویسی من کاملاً ناچیز است (در بهترین حالت ، آنها بخشی از کدهای مهندسی مع از Stack Overflow هستند). علی رغم کاستی های زیادی که داشتم ، این قطعه باید توسط شخصی مثل من ، یک شخص متوسط ​​نوشته شود.

از نظر آماری ، اکثر ما متوسط ​​هستیم (آه ، منحنی زنگ / توزیع گاوسی همیشه به سمت ما جلب می شود). از آنجایی که من با هیچ گونه احساسات نخبه گرایانه گره نخورده ام ، می توانم با شما واقعی باشم. در زیر یک خلاصه سطح بالا از بررسی های من در مورد تمام کلاس هایی که من گذراندم ، همراه با طرحی برای چگونگی دستیابی به یادگیری ماشین یادگیری در صورت شروع کار ، می باشد. برای گسترش هر دوره برای نسخه کامل با یادداشت ها کلیک کنید.

بررسی های عمیق دوره های یادگیری ماشین:

عازم

ماشین جیسون مای با یادگیری 101 اسلاید: 2 سال سرشانه زدن است ، بنابراین لازم نیست ↓

{ML} دستور العمل های با جاش گوردون

دوره آموزش تصادف Google Learning Machine با API های TensorFlow

راهنمای یادگیری ماشین OCDevel Podcast

آهنگ یادگیری ماشین Kaggle (درس 1) ↓

آماده انجام

Fast.ai (قسمت 1 از 2)

یادگیری ماشین دست با Scikit-Learn و TensorFlow: مفاهیم ، ابزارها و تکنیک های ساخت سیستم های هوشمند Intelli

افق های خود را گسترش دهید

Udacity: مقدمه برای یادگیری ماشین (کیت / سباستین) ↓

دوره آموزش ماشین اندروز اندرو Ng's

فرصت های یادگیری اضافی ماشین

راهنمای یادگیری ماشین iPullRank ↓

Google PhD Review را مرور کنید

Caltech Machine Learning iTunes

"شناخت الگو و یادگیری ماشین" توسط کریستوفر بیشوپ ↓

آموزش ماشین: دستی برای توسعه دهندگان و متخصصان فنی

آشنایی با یادگیری ماشین با پایتون: راهنمای دانشمندان داده Data

Udacity: Learning Machine توسط Georgia Tech

دستگاه اندرو نگ استنفورد Learning iTunes

انگیزه و الهام

اگر تعجب می کنید که چرا یک سال را در این کار گذراندم ، پس با شما هستم. من واقعاً مطمئن نیستم که چرا من دیدگاه خود را بر روی این پروژه تنظیم کردم ، بسیار کمتر از اینکه چرا من آن را دنبال کردم. من دیدم که مایک کینگ جلسه ای در زمینه آموزش ماشین را برگزار می کند . من از نگهبانی منصرف شدم ، زیرا من هیچ چیزی راجع به موضوع نمی دانستم. این احساس خارش کنجکاوی مزاحم و مزاحم به من داد. با یک دوره شروع شد و پس از آن از کنترل خارج شد. سرانجام آن را به یک ایده تبدیل کرد: یک راهنمای بررسی در دسترس ترین و محبوب ترین منابع یادگیری ماشین در وب (از طریق لنز یک مبتدی کامل). امیدوارم که شما آن را مفید یا حداقل تا حدودی جالب بدانید. در نظرات نظرات خود را با ما در میان بگذارید!

درباره alexis-sanders -

الکسیس ساندرز مدیر حساب با مرکل ، یک آژانس بازاریابی کامل با خدمات دیجیتال است. در مرکل ، او از حساب های Fortune 500 عملکرد ارگانیک خود را پشتیبانی می کند. او اشتیاق بسیاری از زمینه های آموزشی سئو از جمله: تجزیه و تحلیل عملکرد ، جستجوی معنایی ، جستجوگرهای محلی ، موبایل ، تکنیکال و توسعه تجربه های کاربر ستاره ای را دارد. در وقت آزاد او به عنوان یک رهبر فعال در Toastmasters International فعالیت می کند ، جودو و جیو جیتسو را تمرین می کند و از هنرها نیز لذت می برد.