Fermer

mai 15, 2018

Un guide d'apprentissage automatique pour les humains moyens32 minutes de lecture



L'apprentissage automatique (ML) a connu une croissance constante dans le monde entier. Ses implications s'étendent de petites apparemment victoires inconséquentes à découvertes révolutionnaires . La communauté SEO est pas d'exception . Une compréhension et une intuition de l'apprentissage automatique peuvent nous aider à comprendre les défis et les solutions auxquels sont confrontés les ingénieurs de Google, tout en ouvrant notre esprit aux implications plus larges de ML.

Les avantages d'acquérir une compréhension générale de l'apprentissage automatique incluent:

  • Acquérir de l'empathie pour les ingénieurs, qui tentent en fin de compte d'établir les meilleurs résultats pour les utilisateurs
  • les capacités actuelles et les objectifs des scientifiques
  • Comprendre l'écosystème compétitif et comment les entreprises utilisent l'apprentissage automatique pour obtenir des résultats
  • Se préparer à ce que de nombreux leaders appellent un changement majeur dans notre société ( Andrew Ng se réfère à AI comme "nouvelle électricité" )
  • Comprendre les concepts de base qui apparaissent souvent dans la recherche (cela m'a aidé à comprendre certains concepts qui apparaissent dans Google Brain's Research )
  • Grandir en tant qu'individu et élargir vos horizons (vous pourriez vraiment aimer l'apprentissage automatique!)
  • Quand le code fonctionne et que les données sont produites, c'est un moyen très enrichissant et stimulant sentiment (même si c'est un résultat très humble)

J'ai passé une année à suivre des cours en ligne, à lire des livres et à apprendre à apprendre (en tant que machine). Ce poste est le fruit de ce travail – il couvre 17 ressources d'apprentissage automatique (y compris des cours en ligne, des livres, des guides, des présentations de conférences, etc.) comprenant les ressources d'apprentissage automatique les plus abordables et les plus populaires sur le web. vrai débutant). J'ai également ajouté un résumé de "Si je devais recommencer, comment je l'aborderais".

Cet article ne traite pas du crédit ou des diplômes. Il s'agit de Joes et Joannas qui s'intéressent à l'apprentissage automatique et qui veulent passer leur temps d'apprentissage efficacement. La plupart de ces ressources consommeront plus de 50 heures d'engagement. Personne n'a le temps pour une pénible perte de semaine de travail (surtout quand cela est probablement terminé pendant votre temps personnel). Le but ici est de trouver la ressource qui correspond le mieux à votre style d'apprentissage. J'espère sincèrement que vous trouverez cette recherche utile, et j'encourage les commentaires sur les documents qui s'avèrent les plus utiles (surtout ceux qui ne sont pas inclus)! #HumanLearningMachineLearning


Résumé:

Voici tout ce que vous devez savoir dans un tableau:

* Gratuit, mais il y a le coût d'exécution d'une instance AWS EC2 (~ 70 $ quand j'ai fini, mais j'ai bricolé une tonne et fait un générateur de script Rick et Morty, que j'ai couru de nombreuses époques [rounds] de .. .)


Voici mon programme suggéré:

1. Début (estimé 60 heures)

Commencez avec un contenu plus court ciblant les débutants. Cela vous permettra de comprendre l'essentiel de ce qui se passe avec un minimum de temps.

2. Prêt à s'engager (estimé à 80 heures)

À ce stade, les apprenants comprendraient leur niveau d'intérêt. Continuer avec le contenu axé sur l'application des connaissances pertinentes aussi vite que possible.

3. Élargir vos horizons (estimé à 115 heures)

Si vous avez franchi la dernière section et que vous avez encore faim de plus de connaissances, passez à l'élargissement de vos horizons. Lire du contenu axé sur l'enseignement de l'étendue de l'apprentissage automatique – construire une intuition pour ce que les algorithmes tentent d'accomplir (que ce soit visuel ou mathématique).

Vos prochaines étapes

À ce stade, vous disposez déjà d'instances AWS en cours d'exécution, d'une base mathématique et d'une vue globale de l'apprentissage automatique. C'est votre point de départ pour déterminer ce que vous voulez faire.

Vous devriez être capable de déterminer votre prochaine étape en fonction de votre intérêt, que ce soit en entrant dans les compétitions Kaggle; faire Fast.ai deuxième partie; plongée profonde dans les mathématiques avec Pattern Recognition & Machine Learning par Christopher Bishop ; donner le nouveau cours Deeplearning.ai d'Andrew Ng sur Coursera; en apprendre davantage sur des piles techniques spécifiques (TensorFlow, Scikit-Learn, Keras, Pandas, Numpy, etc.); ou en appliquant l'apprentissage automatique à vos propres problèmes.


Pourquoi est-ce que je recommande ces étapes et ressources?

Je ne suis pas qualifié pour écrire un article sur l'apprentissage automatique. Je n'ai pas de doctorat. J'ai suivi un cours de statistiques au collège, ce qui a marqué le premier moment où j'ai vraiment compris les réactions de «combat ou fuite». Et pour couronner le tout, mes compétences de codage sont terne (au mieux, ce sont des morceaux de code inversé de Stack Overflow). Malgré mes nombreuses lacunes, cette pièce devait être écrite par quelqu'un comme moi, une personne moyenne.

Statistiquement parlant, la plupart d'entre nous sont moyens (ah, la courbe en cloche / distribution gaussienne nous rattrape toujours). Puisque je ne suis pas lié à des sentiments élitistes, je peux être réel avec vous. Vous trouverez ci-dessous un résumé de haut niveau de mes évaluations sur toutes les classes que j'ai suivies, ainsi qu'un plan de la façon dont j'aborderais l'apprentissage automatique si je pouvais recommencer. Cliquez pour développer chaque cours pour la version complète avec des notes.


Revues approfondies des cours de machine learning:

Début

Jason Maye's Machine Learning 101 slidedeck: 2 ans de head-banging, donc tu n'as pas à ↓

{ML} Recettes avec Josh Gordon 1965

Le cours accéléré Machine Learning de Google avec les API TensorFlow ↓

Podcast du Guide d'apprentissage machine d'OCDevel ↓

Kaggle Machine Learning Track (Leçon 1) ↓


Fast.ai (partie 1 de 2) ↓

Apprentissage automatique avec Scikit-Learn et TensorFlow: Concepts, outils, et Techniques pour Construire des Systèmes Intelligents ↓


Élargir vos horizons

Udacity: introduction à l'apprentissage automatique (Kate / Sebastian) ↓

Cours d'apprentissage en machine de Coursera d'Andrew Ng ↓


Possibilités supplémentaires d'apprentissage automatique

iPullRank Machine Learning Guide ↓

Review Google PhD ↓

Caltech Machine Learning iTunes ↓

"Pattern Recognition & Machine Learning" by Christopher Bishop ↓

Machine Learning: Hands-on for Developers and Technical Professionals ↓

Introduction to Machine Learning with Python: A Guide for Data Scientists ↓

Udacity: Machine Learning by Georgia Tech ↓

Andrew Ng's Stanford's Machine Learning iTunes ↓


Motivations and inspiration

If you're wondering why I spent a year doing this, then I'm with you. I'm genuinely not sure why I set my sights on this project, much less why I followed through with it. I saw Mike King give a session on Machine Learning. I was caught off guard, since I knew nothing on the topic. It gave me a pesky, insatiable curiosity itch. It started with one course and then spiraled out of control. Eventually it transformed into an idea: a review guide on the most affordable and popular machine learning resources on the web (through the lens of a complete beginner). Hopefully you found it useful, or at least somewhat interesting. Be sure to share your thoughts or questions in the comments!




Source link