Що потрібно вивчити для машинного навчання?


9

Починаючи з минулого року, я вивчав різні предмети, щоб зрозуміти деякі найважливіші тези машинного навчання

С. Хохрейтер та Й. Шмідхубер. (1997). Довга короткочасна пам'ять . Нейрові обчислення, 9 (8), 1735-1780.

Однак через те, що у мене немає математичного походження, я почав вивчати подібні предмети

  • Обчислення
  • Багатовимірний обчислення
  • Математичний аналіз
  • Лінійна алгебра
  • Диференціальні рівняння
  • Справжній анайліс (теорія мір)
  • Елементарна ймовірність та статистика
  • Математична статистика

Зараз я не можу сказати, що я ретельно вивчив ці предмети, але я знаю, якими предметами вище потрібно займатися. Вся справа в тому, що я не знаю, що мені робити в цей момент. Є багато предметів, які машинне навчання використовує для вирішення багатьох проблем там, і я не знаю, як правильно їх використовувати.

Наприклад, навчання підкріплення зараз є однією з найпопулярніших тем, яку зараз проводять дослідження сотні тисяч дослідників, щоб здійснити прорив прокляття розмірності. Але, як майбутній працівник, який буде працювати в ІТ-компаніях, завдання на столі не буде те, що я очікував зробити.

Чи важливо мати власну експертизу для роботи на місцях? Якщо так, то які саме предмети я зараз повинен вивчати?

Для вашої зручності я хочу дізнатися більше про процес Маркова та процес рішення Маркова.


1
Я б сказав, що якщо ви все зрозуміли в цій статті LSTM, у вас більш-менш є всі «передумови» для продовження кар’єри в ML. Звичайно, ви знайдете нові поняття (все це роблять) на своєму шляху, але зможете з ними впоратися (роблячи деякі дослідження самостійно). Марковські процеси та MDP - це не дуже велика справа, якщо ви розуміли документ LSTM.
nbro

Відповіді:


4

Як студент магістра з питань штучного інтелекту, я настійно раджу вивчити деякі основи машинного навчання.

Для цього ви можете отримати хорошу книгу ( Machine Learning , Tom Mitchell, McGraw Hill, 1997) для теорії та практики, пробуючи деякі змагання з Kaggle .

Я запропонував книгу Мітчелла, оскільки він фахівець у цій галузі, і багато курсів машинного навчання використовує його книгу. Ви також можете слідкувати за його відеодискусіями онлайн

У програмі Kaggle ви можете знайти багато корисних навчальних посібників (названих «Блокноти»), щоб розпочати роботу з наявними наборами даних. Деякі навчальні посібники про виклик "Титанік" тут


5

Насправді, для впровадження алгоритмів машинного навчання не потрібно ретельного вивчення цих предметів. Тільки до Теорії ймовірностей потрібно суворо ставитися до машинного навчання. Ви можете знайти дуже гарну серію лекцій Теорії ймовірностей тут:

Вступ до ймовірності - наука про невизначеність

Також базового курсу обчислення було б достатньо, для базових реалізацій ви насправді не потребуєте розуміння обчислення високого рівня, якщо ви не хочете скласти спеціальні схеми оновлення ваги або Neural Nets з чимось новим. Але щоб отримати інтуїцію щодо обчислення, ознайомтеся з Академією хана: обчислення

Достатня якась основна ідея лінійної алгебри, лише для того, щоб візуалізувати речі та отримати інтуїцію. Ханна академія має великий курс з цього приводу, я пропоную вам перевірити це: Лінійна алгебра

Оскільки, для мов програмування машинне навчання або NEural Nets найкраще реалізувати в Python або R, оскільки візуалізація даних і програмування в них досить прості.

Головне у впровадженні нейронних мереж та машинного навчання - це практика, чим більше ви практикуєтеся, тим краще ви отримуєте. Ви також отримаєте інтуїцію того, що робите з практикою. Тільки читання теорії та розуміння понять вам не допоможе. Ви повинні реалізувати це в реальному житті. Що стосується книги, ви можете переглянути мою відповідь тут:

Проведені джерела теорії та інструментів AI / Інструменти / програми для досвідченого програміста, нового в цій галузі?


3

Я вважав статистичні моделі дуже корисними. Однак статистики самостійно недостатньо, також вам потрібен дуже міцний досвід теорії ймовірностей.


1

вивчити основи пітона спочатку. Почніть з теореми Бая, потім перейдіть до 1) функції щільності ймовірності 2) функції кумулятивної щільності 3) безперервні функції 4) центральна гранична теорема.


Окрім цього, чи вважаєте ви, що важливо вивчити теорію ймовірностей випускників рівня, щоб побачити якусь вищу тезу машинного навчання? А також припустимо, що я знаю все, що було вище (я не маю на увазі грубий, але, якщо чесно, я знаю, в чому різниця між безперервністю та рівномірною безперервністю, pdf, cdf, mgf тощо), чи не так? вважаєте, що важливо навчитися марківському процесу, щоб скласти програму рівня виробництва?
Windforces

1

По-перше, швидкий досвід про мене. Я був студентом до медичної освіти, який закінчив ступінь бакалавра зі ступенем біофізики. Після копіткої роботи та розумного прийняття рішень я зараз є інженером програмного забезпечення AI / ML з магістром з комп'ютерних наук (спеціальність «Машинне навчання»).

Чи важливо мати власну експертизу для роботи на місцях?

Так, абсолютно, але не обов'язково в професійному контексті. Вам не потрібно працевлаштовуватися інженером програмного забезпечення машинного навчання, але потрібно проявляти знання у цій галузі. Що є чудовим мотивом другої частини вашого питання ...

Якщо так, то які саме предмети я зараз повинен вивчати?

Їх немає жодної теми, на яку слід зосередитися. Машинне навчання - це поєднання багатьох різних сфер, і було б не дуже ефективно зосередитись лише на одному, перш ніж зануритися в більш ретельну практику. Натомість підручники та практика - це назва гри.

  • 3Blue1Brown на Youtube дає чудові підручники, особливо на нейронних мережах
  • Академія Хана - знахідка, коли мова йде про уроки з математики. Я б сказав, лінійна алгебра та ймовірність / статистика найкраще почати. Але в кінцевому рахунку також використовуються багатовимірні числення та диференціальні рівняння.
  • Udacity - це чудовий сайт підручників, який навіть пропонує програми "нанодерев", щоб отримати більше досвіду в галузі штучного інтелекту та машинного навчання. Це безкоштовно, якщо ви просто хочете переглянути відео.
  • OpenAIGym - це прекрасне місце для практичного навчання укріплення
  • Kaggle має чудові навчальні посібники з машинного навчання, і їхні змагання забезпечують чудову практику навчання під контролем / без нагляду.

Доповніть свій розвиток теоретичним та математичним фоном практичним розвитком та практикою для досягнення найкращих результатів. Ви згадуєте про особливу увагу на програмах MDP, з якими навчальні програми Udacity та OpenAIGym могли б чудово практикувати.

Якщо вас зацікавив ступінь магістра, я не можу достатньо порекомендувати Інтернет-магістр комп'ютерних наук Georgia Tech ( OMSCS ). Це чудова освіта, і (коли я був зарахований у 2015 році) не вимагав GRE і коштував лише близько 8000,00 доларів


-1

Дізнайтеся машинне навчання за 3 місяці

Це навчальний план для "Навчання машинному навчанню за 3 місяці" цього відео Сирая Раваля на Youtube

Місяць 1

1-й тиждень Лінійна алгебра

https://www.youtube.com/watch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

Обчислення тижня 2

https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr

3 тиждень Ймовірність

https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2

Алгоритми 4 тижня

https://www.edx.org/course/algorithm-design-analysis-pennx-sd3x

2 місяць

1 тиждень

Вивчіть пітон для наукових даних

https://www.youtube.com/watch?v=T5pRlIbr6gg&list=PL2-dafEMk2A6QKz1mrk1uIGfHkC1zZ6UU

Математика інтелекту

https://www.youtube.com/watch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D

Вступ до Tensorflow

https://www.youtube.com/watch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV

2 тиждень

Вступ до ML (Udacity) https://eu.udacity.com/course/intro-to-machine-learning--ud120

3-4 тиждень

Ідеї ​​проектів ML https://github.com/NirantK/awesome-project-ideas

3-й місяць (глибоке навчання)

1 тиждень

Вступ до глибокого навчання https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

2 тиждень

Глибоке навчання за допомогою Fast.AI http://course.fast.ai/

3-4 тиждень

Повторно реалізуйте проекти DL з мого github https://github.com/llSourcell?tab=repositories


Додаткові ресурси:
- Люди в ML, які слідкувати в Twitter


1
Так, я можу вам сказати, чому я спротив цю відповідь. 1) Я не думаю, що ви можете добре навчитися машинному навчанню за 3 місяці, вивчивши також передумови. 2) У кожного є свій темп при навчанні, тому обмеження навчання до 3 місяців не є хорошою ідеєю. 3) Ви пов'язуєте людей з іншими джерелами, не пояснюючи чому.
nbro

Ми не можемо бути PRO, але, принаймні, Nuance, щоб зробити деякі та очолити деякі змагання з ML Якщо я покладу посилання, я згадав там, що ви отримаєте з цього посилання. Також у кожного є свій темп навчання, я також погоджуюся на цю тему, але ви можете забруднити руки за ці три місяці. Це дуже загальна відповідь, що зважаючи на те, що ніхто не знає нічого, але вони просто хочуть почати і здобути впевненість після цього, вони можуть почати копати глибше.
Maheshwar Ligade

@nbro Якщо я згоден на вашу думку, у кожного є свій темп навчання, то принаймні мало людей можуть скористатися цією відповіддю
Maheshwar Ligade

Ця відповідь більше стосується інженерів, а не для дослідника та вченого
Maheshwar Ligade
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.