Un guide d'apprentissage automatique pour les humains moyens

Besoin de savoir: Cette mini-série de vidéos sur YouTube couvre les principes fondamentaux de l'apprentissage automatique avec occasions de faire des exercices.

Aimé:

• Il est vraiment axé sur les débutants.
  • Ils ne supposent aucune connaissance antérieure
  • Gloss sur des sujets potentiellement complexes pouvant servir de bruit
  • Playlist ~ 2 heures
• Tournage, audio et présentation de très haute qualité, presque au point où il avait sa propre esthétique
• Couvre quelques exemples de scikit-learn et de TensorFlow, qui se sont sentis modernes et pratiques.
• Josh Gordon était un conférencier attachant.

N'a pas aimé:

• Je n'ai pas pu obtenir Dockers sous Windows (gestionnaire de paquets suggéré). Ce n'était pas un gros problème, puisque j'avais déjà ma configuration AWS à ce stade; Cependant, un peu décevant car il a rendu impossible de suivre certaines étapes exactement.
  • Problème : Chaque fois que j'essayais de télécharger (sur une période de deux semaines), le fichier .exe commençait à tourner de manière récursive jusqu'à ce que ma mémoire soit épuisée, mon ordinateur tombe en panne ou je fermais ordinateur vers le bas. J'ai envoyé ceci sur le compte Twitter de Docker en vain.

Maître de conférences:

Le besoin de savoir: Un cours accéléré de recherche Google sur l'apprentissage automatique interactif et doté de son propre système de codage intégré !

Aimé:

• Différents formats d'apprentissage: vidéo de haute qualité (avec possibilité d'ajuster la vitesse, sous-titrage codé), lectures, quiz (avec explications), visuels (y compris tableau blanc), composants interactifs / aires de jeux, exercices en laboratoire navigateur (aucune configuration requise!))
• Non-intimidant
  • Une de mes citations préférées: "Vous n'avez pas besoin de comprendre les maths pour pouvoir regarder l'interprétation graphique."
  • Décomposé en sections digestibles
  • Présente les termes clés

n'a pas aimé:

Enseignants:

Plusieurs chercheurs Google ont participé à ce cours, notamment:

Besoin de savoir: Un laboratoire de code simple qui couvre les bases mêmes de l'apprentissage automatique avec scikit-learn et Panda grâce à l'application des exemples sur un autre ensemble de Les données.

Aimé:

• Une forme d'apprentissage plus active
• Un laboratoire de code engageant qui encourage les participants à appliquer leurs connaissances.
• Cette piste propose un cahier Python intégré sur Kaggle avec tous les fichiers d'entrée inclus. Cela a supprimé tous les problèmes d'installation / installation.
  • Note: C'est un peu différent du bloc-notes de Jupyter (par exemple, il faut cliquer dans une cellule pour ajouter une autre cellule).
• Chaque leçon est courte, ce qui fait que la leçon entière passe très vite.

Pas aimé (e):

• L'écriture de la première leçon n'indiquait pas au départ qu'il fallait appliquer les connaissances de la leçon à leur cahier d'exercices.
  • Ce n'était pas une grosse affaire, mais quand j'ai commencé à référencer des fichiers dans la leçon, j'ai dû plonger dans les fichiers de mon classeur pour découvrir qu'ils n'existaient pas, seulement pour réaliser que la connaissance était censée être appliquée et non transcrit.

Maître de conférences:

Besoin de savoir: Mains-vers le bas la forme la plus engageante et active d'apprentissage ML. La source que je recommanderais le plus à tout le monde (bien que le plan de formation aide à construire ce cours). Ce cours traite de l'apprentissage par le codage. C'est le seul cours que j'ai commencé à vraiment voir les mécanismes pratiques commencer à se réunir. Il s'agit d'appliquer les solutions les plus pratiques aux problèmes les plus courants (tout en développant une intuition pour ces solutions).

Aimé:

• Philosophie du cours:
  • Approche d'apprentissage actif
    • "Allez dans le monde et comprenez la mécanique sous-jacente (de l'apprentissage automatique en faisant)."
  • Contre-culture à l'exclusivité du domaine de l'apprentissage automatique, en mettant l'accent sur l'inclusion.
    • "Faisons la merde qui compte pour les gens aussi vite que possible."
• Approche hautement pragmatique avec des outils actuellement utilisés (ordinateurs portables Jupyter, scikit-learn, Keras, AWS, etc.).
• Montrez un processus de bout en bout que vous avez terminé et joué avec dans un environnement de développement.
• Math est impliqué, mais n'est pas prohibitif. Les fichiers Excel ont aidé à consolider l'information / interagir avec l'information d'une manière différente, et Jeremy passe beaucoup de temps à récapituler les concepts confus.
• Ensemble étonnant de ressources d'apprentissage qui permettent différents styles d'apprentissage, y compris:
  • Cours de vidéo
  • Notes
  • Carnets de Jupyter
  • Affectations
  • Forums très actifs
  • Ressources sur Stackoverflow
  • Lectures / Ressources
    • Jeremy fait souvent référence à des textes académiques populaires
  • Le discours TEDx de Jeremy à Bruxelles
• Jeremy pousse vraiment l'un à faire plus et à faire l'effort en enseignant des problèmes intéressants et en s'engageant à les résoudre.
• C'est un énorme engagement de temps; cependant, ça vaut le coup.
• Tous les bénéfices du cours sont donnés.

N'a pas aimé:

• Aperçu couvre leur approche de l'apprentissage (évidemment, je suis un fan!). Si vous buvez déjà le Kool-aid, passez le pas.
• J'ai lutté pendant environ cinq heures dans la configuration d'AWS (vidéo de 13 minutes) (cependant, c'était si bon quand il était opérationnel!) [19659006] En raison de son caractère pratique et de sa concentration sur les solutions utilisées aujourd'hui pour résoudre les types de problèmes les plus répandus (reconnaissance d'image, génération de texte, etc.), il manque de sujets d'apprentissage machine.

Besoin de Savoir: Ce livre est un best-seller Amazon pour une raison. Il couvre beaucoup de terrain rapidement, permet aux lecteurs de passer à travers un problème d'apprentissage automatique par le chapitre deux, et contient des compétences pratiques d'apprentissage de la machine à jour.

Aimé:

• Book contient une introduction étonnante à l'apprentissage automatique qui fournit rapidement une vision rapide de l'écosystème d'apprentissage automatique.
• Le chapitre 2 guide immédiatement le lecteur à travers un problème d'apprentissage automatique de bout en bout.
• Immédiatement après, Aurélien pousse un utilisateur à tenter d'appliquer cette solution à un autre problème, ce qui a été très stimulant.
• Il y a des questions de révision à la fin de chaque chapitre pour s'assurer que vous avez saisi le contenu dans le chapitre et pousser le lecteur à explorer plus.
• Une fois l'installation terminée, il était facile de suivre et tout le code est disponible sur GitHub.
• Les chapitres 11-14 étaient très difficiles à lire; Cependant, ils étaient une excellente référence lorsque vous travaillez sur Fast.ai.
• Contient de puissantes analogies
• Les introductions de chaque chapitre étaient très utiles et mettaient tout en contexte. Cet apprentissage général à spécifique était très utile.

n'a pas aimé:

• L'installation était une source commune de problèmes au début de mon voyage; le texte a glissé dessus. J'ai senti que la frustration que la plupart des gens éprouvent à l'installation aurait dû être traitée avec plus de ressources.

Writer:

Besoin de savoir: Un cours qui couvre une gamme de sujets d'apprentissage automatique, soutient la construction de l'intuition via la visualisation et des exemples simples, offre des défis de codage, et un certificat (à la fin d'un projet final). Le plus grand défi de ce cours est de combler le fossé entre les conférences et les exercices de codage.

Aimé:

• Concentrez-vous sur le développement d'une intuition visuelle sur ce que chaque modèle essaie d'accomplir.
• Cette approche mathématique d'apprentissage visuel est très utile.
• Couvrir une grande variété de modèles et de bases de l'apprentissage automatique
• En termes de présentation du concept, il y avait beaucoup de main-tenue (que j'ai complètement apprécié!).
• Beaucoup de gens l'ont fait formation, afin que leurs comptes GitHub puissent être utilisés comme référence pour les mini-projets.
• Katie note activement la documentation et suggère où les téléspectateurs peuvent en apprendre davantage sur le matériel de référence

• L'ensemble de la prise en main conceptuelle dans les leçons est un contraste frappant avec les défis de l'installation, des exercices de codage et des mini-projets.
  • C'est le premier cours commencé et les instructions limitées sur la mise en place de l'environnement et de nombreuses tentatives ratées m'ont fait craquer au moins une poignée de fois.
• Les mini-projets sont intimidants.
• Du code supplémentaire est ajouté pour soutenir les téléspectateurs; cependant, c'est fait avec peu de reconnaissance quant à ce qu'il fait réellement. Cela a rendu l'apprentissage un peu plus difficile.

Besoin de savoir: Le cours d'Andrew Ng Coursera est le cours d'apprentissage en ligne le plus référencé. Il couvre un large éventail de sujets fondamentaux et persistants axés sur la construction de l'intuition mathématique derrière les modèles d'apprentissage automatique. En outre, on peut soumettre des devoirs et gagner une note gratuitement. Si vous souhaitez obtenir un certificat, vous pouvez vous inscrire ou demander une aide financière.

Aimé:

• Ce cours a un haut niveau de crédibilité.
• Présente toute la terminologie et le jargon nécessaires à l'apprentissage automatique
• Contient une approche très classique de l'apprentissage par l'apprentissage automatique avec un niveau élevé de concentration mathématique
• et après chaque leçon, soutien à la compréhension et à l'apprentissage global.
• Les sessions pour le cours sont flexibles, l'option de passer à une section différente est toujours disponible.

n'a pas aimé:

• La notation mathématique était parfois difficile à traiter
• Le contenu était un peu daté et non pragmatique. Par exemple, la principale concentration était MATLAB et Octave par rapport à des langues et des ressources plus modernes.
• La qualité vidéo était inférieure à la moyenne et pouvait utiliser un rafraîchissement.

Besoin de savoir: Un e-book d'apprentissage machine destiné aux marketeurs.

Aimé:

Besoin de savoir: Une présentation de deux heures de la conférence IO 2017 de Google qui obtient 99% de précision sur l'ensemble de données MNIST (un ensemble de données célèbre contenant un tas de nombres manuscrits, que la machine doit apprendre à identifier les nombres).

Aimé:

• Cette conversation m'a semblé très moderne, couvrant le tranchant.
• J'ai trouvé cela très complémentaire à Fast.ai, car elle couvrait des sujets similaires (par ex. ReLu, CNN, RNN, etc.)
• Incroyable visuels qui aident à tout mettre en contexte.

n'a pas aimé:

• La présentation n'est qu'une courte solution de conférence et non une vue complète de l'apprentissage automatique.
• Aussi, une forme passive d'apprentissage.

Besoin de savoir: Si les mathématiques sont votre truc, ce cours fait un travail stellaire de construire l'intuition mathématique derrière de nombreux modèles d'apprentissage automatique. Dr. Abu-Mostafa est un raconteur, il inclut des visualisations utiles, des exemples pertinents du monde réel et des analogies convaincantes.

Aimé:

• Tout d'abord, il s'agit d'un vrai cours Caltech, ce qui signifie qu'il ne s'agit pas d'une version édulcorée et qu'il contient des concepts fondamentaux essentiels à la compréhension de la mécanique de l'apprentissage automatique
• . être utile pour l'apprentissage sur le pouce.
• Dr. Abu-Mostafa est un orateur talentueux, ce qui rend les 27 heures passées à écouter beaucoup plus facilement!
• Dr. Abu-Mostafa propose des exemples concrets et des analogies qui rendent le contenu plus accessible.
  • À titre d'exemple, il demande aux étudiants: «Pourquoi est-ce que je vous donne des examens de pratique et ne vous donne pas seulement l'examen final? comme illustration de la raison pour laquelle un ensemble de tests est utile. S'il devait simplement donner la finale aux élèves, ils mémoriseraient simplement les réponses (c.-à-d., Ils s'adapteraient aux données) et n'apprendraient pas vraiment le matériel. La finale est un test pour montrer combien les élèves apprennent.
• La dernière demi-heure de la classe est toujours une période de questions, où les étudiants peuvent poser des questions. Leurs questions ont été utiles pour comprendre le sujet plus en profondeur.
• La qualité vidéo et audio était forte tout au long. Il y avait quelques fois où je ne pouvais pas comprendre une question dans le Q & A, mais globalement très fort.
• Ce cours est conçu pour construire l'intuition mathématique de ce qui se passe sous le capot de modèles spécifiques d'apprentissage automatique.
  • Attention : Le Dr Abu-Mostafa utilise la notation mathématique, mais elle est différente de celle d'Andrew Ng (par exemple, theta = w).
• La conférence finale a été la plus utile, car elle a rassemblé beaucoup de pièces du puzzle conceptuel. Le cours sur les réseaux de neurones a suivi de près

• Bien qu'il contienne principalement du contenu à feuilles persistantes, publié en 2012, il pourrait utiliser un rafraîchissement.
• Forme d'apprentissage très passive, car elle n'était pas immédiatement utilisable.

Enseignant: