Voulez-vous apprendre l'apprentissage automatique dans 2020? Voici le parcours d'apprentissage structuré et complet mis à jour pour maîtriser la maîtrise cette année !!
Le machine learning est un sujet complexe à maîtriser !!
Non seulement il y a une pléthore de ressources disponibles, mais ils vieillissent aussi très vite. Combinez cela avec beaucoup de jargon technique et vous pouvez voir pourquoi les gens se perdent en poursuivant l'apprentissage automatique.. Malgré cela, ce n'est qu'une partie de l'histoire. Vous ne pouvez pas maîtriser l'apprentissage automatique sans passer par la routine vous-même. Vous devez passer des heures à comprendre les nuances de l'ingénierie fonctionnelle, sa pertinence et l'impact qu'elle peut avoir sur vos modèles.
Grâce à ce parcours d'apprentissage, nous espérons vous apporter une réponse à ce problème. Nous avons délibérément chargé ce parcours d'apprentissage de nombreux projets pratiques. Vous ne pouvez pas maîtriser l'apprentissage automatique avec un travail acharné !! Mais une fois que tu le fais, vous serez l'une des personnes les plus recherchées.
Étant donné qu'il s'agit d'un problème complexe, nous vous suggérons de suivre strictement les étapes dans l'ordre séquentiel. Considérez-le comme votre mentor pour l'apprentissage automatique. Sautez simplement une étape si vous connaissez déjà le sujet mentionné dans cette étape.
Chauffage: Comment l'apprentissage automatique est-il utile?
Si vous êtes un débutant complet en apprentissage automatique, voici un bon discours de Jeremy Howard pour comprendre comment l'apprentissage automatique change ce monde. Jeremy analiza varias aplicaciones de aprendizaje automático y l'apprentissage en profondeurL'apprentissage en profondeur, Une sous-discipline de l’intelligence artificielle, s’appuie sur des réseaux de neurones artificiels pour analyser et traiter de grands volumes de données. Cette technique permet aux machines d’apprendre des motifs et d’effectuer des tâches complexes, comme la reconnaissance vocale et la vision par ordinateur. Sa capacité à s’améliorer continuellement au fur et à mesure que de nouvelles données lui sont fournies en fait un outil clé dans diverses industries, de la santé.... Jérémy, Il examine également certaines des manières dont l'apprentissage automatique peut affecter ce monde..
Je ne suis pas encore sûr, regardez cette petite vidéo sur entraîner une machine à jouer à Super Mario.
Enthousiasmé par ce que l'apprentissage automatique peut réaliser? Regardons un parcours d'apprentissage pour faire de vous un expert en apprentissage automatique.
Lecture facultative: Bases de l'apprentissage automatique pour les débutants
Paso 0: Concepts de base de R / Python
Il existe plusieurs langages qui offrent des capacités d'apprentissage automatique. En même temps, le travail de développement est en cours à un rythme rapide dans plusieurs langues. Actuellement “R” Oui “Piton"Ce sont les langues les plus utilisées et il y a suffisamment de support / communauté disponible à la fois. Avant d'entrer dans le monde du ML, Je vous recommande de choisir l'une de ces deux langues (R ou Python) qui peut aider à se concentrer sur l'apprentissage automatique (Quel est meilleur, R ou Python?).
Concentrez-vous sur la compréhension des bases de la langue, bibliothèques et structure de données. Voici le guide étape par étape pour apprendre R et Python:
une) Parcours d'apprentissage en R: Paso 0 dans l'étape 2
b) Parcours d'apprentissage Python: Paso 0 dans l'étape 2
Autres langues que vous pouvez envisager: Scala, Aller / Julia dans un futur proche
Paso 1: Apprendre les statistiques descriptives et inférentielles de base
Commençons ou rafraîchissons notre apprentissage statistique. Il est bon de comprendre les statistiques descriptives et inférentielles avant de commencer le développement sérieux de l'apprentissage automatique. Udacity propose un cours sur statistiques descriptives Oui Statistiques déductives. Les deux cours utiliseraient Excel pour vous enseigner toutes les bases des statistiques. Si vous les connaissez déjà, vous pouvez mettre à jour ou ignorer cette étape.
Mission: Vous pouvez attribuer les deux cours en utilisant la langue de votre choix (R / Python). Vous pouvez vérifier les bibliothèques respectives et les méthodes statistiques pour les deux langues ci-dessous.
R: Statistiques
Doit lire: Différence entre l'apprentissage automatique et la modélisation statistique?
Paso 2: exploration / nettoyage / préparation des données
Ce qui différencie un bon professionnel de l'apprentissage automatique d'un professionnel moyen, c'est la qualité de l'ingénierie des fonctions et du nettoyage des données qui se produisent dans les données d'origine.. Plus vous passez de temps de qualité ici, mieux ce sera. Cette étape prend également la plupart de votre temps et, pour cela, aide à le structurer. Vous pouvez consulter une série de publications ci-dessous pour en savoir plus sur les différentes étapes de l'exploration des données.
- Identification des variables, analyse univariée et multivariée
- Traitement des valeurs perdues
- Traitement des valeurs aberrantes
- Ingénierie fonctionnelle
Vous pouvez également consulter les méthodes d'exploration de données en R et Python:
Exercer / tâche:
- S'attaquer au problème de survie du Titanic de Kaggle, construire un ensemble d'hypothèses puis nettoyer les données, ajouter de nouvelles fonctions à l'ensemble de données existant. Réfléchissez à la meilleure façon d'imputer l'âge perdu.
- De la même manière, résoudre le problème de prévision de la demande de vélos en libre-service et répéter le cycle mentionné ci-dessus.
Paso 3: Introduction à l'apprentissage automatique
Maintenant, il devrait ouvrir les portes du machine learning. Plusieurs ressources sont disponibles pour vous initier aux techniques d'apprentissage automatique.. Je vous suggère de choisir l'un des suivants 2 formes selon votre style d'apprentissage:
- Option 1: Si vous faites partie de ceux qui aiment apprendre par petites étapes et qui ont besoin de plus d'adhérence sur la main, doit partir de Cours d'apprentissage automatique d'Andrew Ng: C'est un bon cours pour débutant et facile à comprendre. Le professeur Ng est incroyable pour faire venir si facilement des concepts difficiles à vous. Le cours couvre tous les algorithmes de base et présente également des sujets avancés tels que les réseaux de neurones., système de recommandation et application d'apprentissage automatique dans de grandes bases de données à l'aide de Map Reduce. Il choisit d'utiliser Octave / MATLAB au lieu du plus populaire R ou Python pour l'enseignement de l'apprentissage automatique. Une fois complété, doit continuer avec les exercices et les tâches prévues dans l'option 2.
- Option 2: Si vous êtes plus indépendant, aime les défis et peut accomplir des tâches difficiles, Vous devez prendre Formulaire d'apprentissage du cours sur les données du professeur Yaser Abu-Mostafa: Ce cours fournit un traitement étonnant des concepts derrière l'apprentissage automatique, mais gardez à l'esprit que ce cours est assez lourd sur les mathématiques et la théorie derrière l'apprentissage automatique (cosas como la dimension"Dimension" C’est un terme qui est utilisé dans diverses disciplines, comme la physique, Mathématiques et philosophie. Il s’agit de la mesure dans laquelle un objet ou un phénomène peut être analysé ou décrit. En physique, par exemple, On parle de dimensions spatiales et temporelles, alors qu’en mathématiques, il peut faire référence au nombre de coordonnées nécessaires pour représenter un espace. Sa compréhension est fondamentale pour l’étude et... VC). Vous avez également besoin de plus de connaissances en programmation et, pour cela, est plus avancé dans ce sens. Ce cours est chargé de devoirs (ce qui n'est pas forcément une mauvaise chose).
À présent, connaît bien les algorithmes et les techniques. Voyons les bibliothèques ou packages disponibles en R ou Python. Vous pouvez consulter le parcours d'apprentissage (paso 6) de R (en même temps, Algorithmes ML dans R) et Python pour explorer ces packages et les alternatives associées.
Paso 4: participer au concours Kaggle Knowledge
À ce point, a tous les outils dont vous avez besoin pour participer aux concours de connaissances Kaggle. Ces concours de connaissances ont un niveau de difficulté inférieur par rapport aux défis attribués. De plus, vous pouvez trouver plusieurs ressources connexes pour commencer votre parcours en science des données.. Vous trouverez ci-dessous la liste des concours de connaissances actuellement actifs:
Doit lire: Comment puis-je commencer mon voyage à Kaggle?
Paso 5: apprentissage automatique avancé
Maintenant que vous avez appris la plupart des techniques d'apprentissage automatique, il est temps d'explorer des techniques avancées d'apprentissage automatique pour comprendre différentes structures de données, comme le deep learning et le machine learning avec le Big Data.
L'apprentissage en profondeur
Connaissez-vous l'apprentissage en profondeur? si ce n'est pas comme ça, voici une brève introduction à ce sujet et plus de détails sur l'apprentissage en profondeur. Voir vidéo ici. Ensuite, la liste des ressources de deep learning pour vous aider à démarrer s'affiche:
Modélisation d'ensemble
C'est là qu'un expert diffère du professionnel moyen.. L'assemblage peut ajouter beaucoup de puissance à vos modèles et a été une technique très réussie dans diverses compétitions Kaggle.. Voici l'un des le guide ultime de la modélisation d'assemblage nous avons trouvé.
Apprentissage automatique avec le Big Data
Comme tu le sais, la taille des données augmente à un rythme exponentiel, mais les données brutes ne sont utiles que lorsque vous commencez à en tirer des informations. L'apprentissage automatique n'est rien de plus qu'apprendre à partir des données, générer des connaissances ou identifier des modèles dans l'ensemble de données disponible. Il existe plusieurs applications des algorithmes d'apprentissage automatique comme “détection de spam”, “classement de documents Web”, “détection de fraude”, “système de recommandation” et plein d'autres. Vous trouverez ci-dessous la liste des tutoriels pour traiter le Big Data en utilisant l'apprentissage automatique.
Paso 6: participer au concours Kaggle grand public
Possède désormais la plupart des compétences techniques et statistiques. Il est temps de commencer à apprendre des autres data scientists tout en étant en concurrence avec eux. Kaggle C'est un endroit similaire à celui où nous voulons une plate-forme plus active, engagé et compétitif. Les data scientists sont passionnés par les performances de leur gamme et de leur modèle. Et, plongez-vous dans l'une des compétitions en direct qui se déroulent en ce moment à Kaggle et essayez tout ce que vous avez appris. Bonne chance!
Étape facultative: exploration de texte et bases de données
Si vous devez appliquer l'apprentissage automatique à l'exploration de texte, vous pouvez vous référer au prochain guide pour nettoyer les données de texte et créer des modèles à partir de celles-ci. Vous pouvez également regarder la prochaine compétition Kaggle:
La partie amusante
Maintenant que vous comprenez quoi et où apprendre pour devenir un professionnel de l'apprentissage automatique, ici vous avez une petite simulation de la façon dont Le robot basé sur des algorithmes génétiques apprendrait à marcher.
Et des choses sérieuses
Maintenant que vous connaissez le potentiel de l'apprentissage automatique, imaginez l'impact que cela pourrait avoir sur le monde d'aujourd'hui. L'exposé de Jeremy mentionne brièvement ce sujet. Le post suivant parle de cette évolution sous un autre angle: partie 1 Oui partie 2
J'espère que vous avez apprécié ce parcours d'apprentissage sur l'apprentissage automatique et l'impact que l'apprentissage automatique peut avoir sur notre avenir.. Si vous avez des suggestions pour démarrer ce parcours d'apprentissage, n'hésitez pas à le partager dans les commentaires ci-dessous.
