С чего начать изучать машинное обучение
Как постичь машинное обучение, если ты не великий математик
Предлагаем почитать перевод статьи Diego Isco с ресурса dev.to. Она будет полезна начинающим специалистам в области ML.
Несколько месяцев назад я изучал проекты, в которых благодаря машинному обучению успешно реализуются невероятные вещи.
И я загорелся этим. Сказал, что хочу этому научиться. Неважно, насколько трудно мне будет. Я хочу научиться, и я научусь.
Будем честны: все мы слышали о зарплатах инженеров по машинному обучению. Взгляните на это.
Впечатляет, правда? Но машинное обучение еще нужно освоить — и вот тут начинается мрак.
Воодушевленный, я начал изучать работы по этой теме, и знаете что? Везде — математика! Навороченные уравнения, линейная алгебра, векторы и странные символы.
В тот вечер я плакал как ребенок. Но, как хороший технарь, утер слезы и решил учиться самостоятельно.
Да, я просто еще один нерд, пытающийся осилить машинное обучение.
Но мне скучно изучать сложные темы. Особенно во время карантина. Поэтому я хочу попробовать что-нибудь другое. Я опишу свой процесс обучения.
Ход обучения
Математика → Статистика → Программирование → Машинное обучение → Любительские проекты
Когда вы будете искать на YouTube видео о машинном обучении, то обязательно наткнетесь на 3 основных — от Siral Raval, Jabril и Daniel Bourke.
Все они — выше всяких похвал. Поэтому я решил взять из этих видео лучшее.
Математика
Много споров по поводу того, насколько хорошо нужно знать математику для освоения машинного обучения. Но знать точно нужно.
Возможно, некоторые из вас чертовски гениальны в математике и вам достаточно вспомнить лишь отдельные вещи. Но большинству простых смертных вроде меня нужно всему учиться с нуля.
Хорошо, а что именно нужно знать? Всего-то линейную алгебру и матанализ.
Напоминаю: я не гений в математике. Я плохо разбираюсь в математике. Я завалил матанализ на всех курсах в университете!
Так вот, можно ли освоить теорию машинного обучения, не будучи гением в математике?
Есть один нюанс. Если вы не дружите с числами, то это потому, что не понимаете основ.
Помните основы? Об основах линейной алгебры и математического анализа рассказывает на канале 3Blue1Brown Грант Сандерсон. Ему надо дать Нобелевскую премию в области образования. Он просто берет математику объясняет ее в потрясающей форме. Как ребенку. Это прекрасно.
Итак, моим первым шагом было понять основы линейной алгебры и математического анализа. Поверьте, после этого все намного проще.
Мы посмотрели и осмыслили эти видео, теперь время применить свои знания на практике — на курсе линейной алгебры от крупнейшего специалиста в сфере преподавания математики — Гилберта Стрэнга из Массачусетского технологического института.
Подумать только: получать такое же образование, что и студенты, заплатившие тысячи долларов за очный курс! Да, диплома одного из лучших университетов мира не будет, но накопленные знания — вот что в итоге имеет значение.
Что ж, мы усвоили этот длинный курс и попрактиковались, теперь черед математического анализа. В Академии Хана есть потрясающая программа, которая дает все, что надо для того, чтобы чувствовать себя уверенно, имея дело с мудреными уравнениями.
Статистика
Многих людей сбивает с толку то, насколько машинное обучение похоже на статистику. На самом деле они тесно связаны друг с другом, так что статистика — ключ к пониманию теории машинного обучения.
Поэтому сосредоточьтесь и учитесь.
А для облегчения этой задачи — бесплатный курс Probability — The Science of Uncertainty and Data от Массачусетского технологического института.
Читая учебную программу, вы можете подумать, что курс базовый, но это не так. Он охватывает достаточно тем, чтобы дать основы для понимания теории вероятности. Всем, кто любит поучиться, вот еще один курс — Statistics and Probability от Академии Хана. Это в дополнение, так что расслабьтесь.
Программирование
Если вы, как и я, инженер-программист, то для вас сейчас будет самое интересное.
Язык программирования, который необходимо знать, это Python. Король машинного обучения. Его простота делает процесс освоения материала очень легким — по крайней мере, поначалу.
Я предполагаю, что вы знаете программирование, так что не хочу пересказывать содержание курсов для изучения Python — их много. Кроме того, есть отличные книги. Вам решать, где набраться знаний.
Кому-то может быть удобнее изучать документацию или пользоваться подпиской на учебную онлайн-платформу, а у кого-то есть любимый учитель на Udemy. Главное, не забывайте практиковаться, чтобы лучше понимать, что происходит при программировании для машинного обучения.
Ладно, допустим, вы не знаете программирования, и это будет ваша первая строчка кода. В таком случае я бы выбрал Datacamp. Смело исследуйте тему самостоятельно и смотрите их курс по Python.
Машинное обучение
Мы уже далеко продвинулись. Изучили математику, статистику, алгоритмы, проплакали несколько ночей. Все ради этого момента.
Курс по машинному обучению от Эндрю Ына — наверное, один из лучших по теме. Он не для новичков, так что не убирайте далеко свои конспекты. Наконец то, как работают алгоритмы машинного обучения, сложится для вас в цельную картинку.
Еще один ресурс — это Introduction to Machine Learning for Coders. Хороший курс с детальными объяснениями алгоритмов машинного обучения.
Советую пройти оба, изучить вопрос с разных сторон, тогда вы сможете сказать, какой курс оказался наиболее понятным.
Не могу не упомянуть еще одну программу, которую очень хвалят. Но она платная: это Introduction to Machine Learning Course нa Udacity. Если у вас отложено немного денег и вы готовы инвестировать в себя, то это подходящий случай, но решайте сами.
Любительские проекты
Теперь вы уже знаете машинное обучение, но этого недостаточно. Вам нужно больше практики. Здесь вам поможет книга Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow.
После этого можно браться за любительские проекты, но уже с лучшими библиотеками машинного обучения. Если вам, как и мне, не нравится опираться на библиотеки без понимания, что к чему, то не волнуйтесь: вы уже разбираетесь. Поэтому я даю эту книгу в самом конце.
И напоследок
Прежде чем завершить, хочу дать несколько советов.
Машинное обучение. С чего начать? Часть 1
Jul 30, 2019 · 4 min read
По мере того, как машинное обучение всё больше внедряют в бизнес-процессы, жизненно важным становится наличие инструмента, который позволяет быстро решать поставленные задачи. Зачастую в качестве такого инструмента выбирают Python. Поэтому, я считаю руководство по Python для машинного обучения будет действительно полезным.
Введение. Машинное обучение с помощью Python
Итак, почему Python? По моему опыту, Python один из самых простых в изучении языков программирования. Data аналитик, не имея глубоких познаний в программировании, должен иметь возможность быстро обрабатывать данные, и Python отлично подходит для этого.
Насколько это сложно?
Это просто. Синтаксис Python имеет больше общего с человеческим языком, чем с машинным. В Python нет надоедливых фигурных скобок, которые только сбивают с толку. Моя коллега из отдела обеспечения качества, которая не имеет отношения к программированию, может написать качественный код на Python в течение дня.
Не удивительно, что Python выбирают создатели библиотек, работы которых в последствии используют специалисты по обработке данных и аналитики для решения своих задач. Далее мы обсудим эти must-have библиотеки для машинного обучения.
Знаменитая библиотека для анализа числовых данных. Она способна на многое: от вычисления медианы распределения данных до обработки многомерных массивов.
Тот самый инструмент, который поможет вам обрабатывать CSV файлы.
Библиотека для визуализации данных, например дата фреймов Pandas.
Так же служит для визуализации, но больше подходит для отображения статистических данных. Например: гистограммы и круговые диаграммы, кривые, корреляционные таблицы.
И, наконец, самое главное — библиотека с алгоритмами и другими необходимыми вещами для машинного обучения.
6. Tensorflow и Pytorch
Об этих библиотеках стоит написать отдельный урок. Их используют для так называемого глубокого обучения. Здесь я не буду о них говорить, попробуйте сами разобраться. Оно того стоит.
Проекты
Чтение уроков и повторение упражнений без практики не принесёт должных результатов. Чтобы лучше разобраться в теме, нужно погрузится в реальные данные. Для этого есть платформа, где вы найдёте подходящие проекты по машинному обучению.
Пример проекта, который мы рассмотрим в этом уроке:
Titanic: Machine Learning from Disaster
Речь пойдёт о печально известном «Титанике». Трагическая катастрофа 1912 года, в которой погибли 1502 из 2224 пассажиров и экипажа. В этом конкурсе (или уроке) на основе реальных данных о катастрофе ваша задача предсказать, выжил ли человек во время трагедии.
Для начала давайте установим необходимые инструменты.
В первую очередь установите сам Python с официального сайта. Чтобы не было проблем с совместимостью библиотек, установите версию 3.6 или выше.
Далее установите все необходимые библиотеки через Python pip. Pip должен установиться автоматически с дистрибутивом Python.
В терминале, командной строке или Powershell введите следующее:
Если вы ещё не знакомы с jupyter notebook, то это популярный инструмент для интерактивного написания кода. Название состоит из слов Julia, Python, и R. Напишите в терминале jupyter notebook, и вам откроется такая страничка:
Наберите код в зелёном поле и сразу увидите результат.
Теперь, когда все инструменты установлены, можно приступать.
Исследование данных
Первым делом нужно изучить данные. Для этого загрузите данные с Kaggle и извлеките их в каталог, в котором вы запустили Jupyter notebook.
Импортируем нужные библиотеки:
Вы должны увидеть такую таблицу:
Это и есть наши данные. Здесь есть следующие колонки:
В процессе изучения данных часто всплывают недостающие данные. Давайте найдём их:
Отсутствуют некоторые значения в колонках Cabin, Age и Embarked. Очень много неизвестных номеров кают. С этим нужно что-то делать. Это называют очисткой данных.
В следующей части мы займёмся чисткой данных от ненужной информации, выявим признаки и построим модель машинного обучения.
Наука о данных, искусственный интеллект, машинное обучение: путь самоучки
Не каждый может найти время и деньги на то, чтобы получить очное образование в сферах Data Science (DS, наука о данных), AI (Artificial Intelligence, искусственный интеллект), ML (Machine Learning, машинное обучение). Недостаток времени и нехватка денег — это серьёзные препятствия. Преодолеть эти препятствия можно, занявшись самообучением. Но и тут не всё так просто. Для того чтобы успешно учиться самостоятельно, нужны дисциплина, сосредоточенность и правильный подбор учебных предметов. Самообучение в выбранной области, при правильном подходе, можно свободно совмещать с обычной жизнью или с учёбой в общеобразовательных учреждениях. Но в некоторых областях знаний, в таких, как DS, AI, ML, очень сложно начать учиться самостоятельно. Однако, прошу поверить мне на слово, сложности стоят того, что можно получить в результате. Ключ к успеху в самообучении лежит в том, чтобы учиться в собственном темпе.
В этом материале я хочу рассказать о том, как можно действовать тому, кто хочет самостоятельно обрести знания в областях DS, AI и ML. Применение предложенных здесь методов учёбы способно привести к хорошему прогрессу в изучении нового. Здесь, кроме того, я собираюсь поделиться ссылками на ресурсы, которыми я пользуюсь, и которые я без тени сомнения готов порекомендовать другим.
Изучите некоторые математические дисциплины
Математика, даже если это кому-то и не нравится, очень важна в интересующей нас области. Я думаю, что можно с достаточной уверенностью говорить о том, что те, кто это читают, уже обладают некоторыми знаниями по математике, которые они получили в школе. Это — хорошая база, но этого и близко недостаточно тому, кто хочет развиваться в сферах DS, AI и ML. А именно, тут понадобится углубиться в математику немного сильнее, чем это делается в школе, придётся изучить некоторые вещи из статистики, алгебры и других математических дисциплин. Я собрал бы список полезных ресурсов по математике для DS, но это уже сделали за меня в этой статье. И сделали очень хорошо.
Научитесь программировать
Если вы только начинаете самообучение — не стоит сразу бросаться в изучение того, как писать код для целей машинного обучения. Вместо этого стоит изучить основные концепции программирования, не привязанные к какой-либо предметной области. Узнайте о том, что такое программирование, ознакомьтесь с разными существующими типами кода, разберитесь с тем, как правильно писать программы. Это очень важно, так как в процессе освоения программирования вы изучите множество базовых идей, которые сослужат вам хорошую службу на протяжении всей вашей DS-карьеры.
Не спешите, не стремитесь сразу изучить что-то сложное. То, насколько хорошо вы поймёте основы, скажется на всей вашей будущей профессиональной деятельности. Здесь вы можете найти очень хорошие видеоуроки, которые познакомят вас с программированием и информатикой. А именно, в них разбираются самые важные вещи, в которых вам нужно разбираться. Уделите этому вопросу достаточно времени и постарайтесь дойти до понимания всего, что узнаете.
Выберите один язык программирования и как следует в нём разберитесь
Существует много языков программирования, используемых теми, кто работает в областях DS, AI и ML. Чаще всего здесь используются Python, R, Java, Julia и SQL. В данных сферах могут применяться и другие языки, но те, которые я перечислил, применяются чаще других не без причины:
Научитесь собирать данные
Чаще всего вам никто не будет давать данные, предназначенные специально для вас, а иногда в вашем распоряжении может не быть вообще никаких данных. Но, в любом случае, вам нужно найти способ сбора данных, с которыми вы будете работать. У организации, в которой вы трудитесь, может быть хорошая система сбора данных. Если это так, для вас это — большой плюс. Если такой системы в организации нет, то вам придётся найти способ сбора данных. Но речь идёт не о любых данных, а о качественной информации, с который вы сможете продуктивно работать, достигая поставленных целей. Сбор данных не имеет прямой связи с «добычей данных», с их глубинным анализом. Сбор данных — это шаг работы, который предшествует анализу.
Открытые данные, которыми можно пользоваться бесплатно, можно найти во многих местах интернета. Иногда же нужные данные можно собрать с веб-сайтов, применяя методы веб-скрапинга. Владение веб-скрапингом — это очень важный навык дата-сайентиста, поэтому я очень прошу всех, кто собирается работать в областях DS, AI и ML, освоить этот навык. Вот хорошее руководство по веб-скрапингу.
Данные, кроме того, могут храниться в базах данных, поэтому вам очень пригодятся начальные сведения по администрированию БД и умения по взаимодействию с базами данных. В частности, здесь очень важны знания SQL. Поучиться SQL можно здесь.
Научитесь обрабатывать данные
То, о чём я будут тут говорить, часто называют «первичной обработкой данных» (Data Wrangling). Этот процесс включает в себя очистку имеющихся данных. Здесь применяется разведочный анализ данных и удаление из них всего ненужного. Этот процесс так же включает в себя структурирование данных, приведение их к такой форме, с которой можно будет работать. Эта стадия работы с данными является самой тяжёлой и изматывающей. Те данные, с которыми вы столкнётесь в процессе обучения, будут уже подготовлены к анализу. Но данные, с которыми вы встретитесь в реальном мире, могут быть совершенно «сырыми». Если вы и правда стремитесь стать специалистом в области обработки и анализа данных, вам стоит найти настоящие данные и отыскать способы приведения их в пристойный вид.
Реальные данные можно найти практически повсюду. Например — на Kaggle. На этой замечательной платформе имеются данные от множества компаний со всего мира. Первичная обработка данных — это очень утомительное занятие, но если вы будете заниматься этим регулярно и настойчиво, вы, постепенно, поймёте, что занятие это ещё и очень интересное. Вот хорошие лекции по первичной обработке данных.
Научитесь визуализировать данные
Если вы — специалист по DS, AI или ML, и хорошо разбираетесь в своём деле, вы не должны забывать о том, что то, что кажется вам очевидным, может быть совершенно непонятно окружающим. Не ждите от них того, что они, например, смогут сделать выводы, глядя на колонки цифр. Научиться визуализировать данные нужно для того чтобы результатами вашей работы могли бы воспользоваться специалисты из других областей. «Визуализацией данных» обычно называют процесс представления данных в графическом виде. Такое представление данных позволит извлечь их них пользу даже тем, кто не имеет специальных знаний в сферах DS, AI и ML.
Существует множество способов визуализации данных. Так как мы, всё же, программисты, нашим основным методом визуализации данных должно быть написание соответствующего кода. Это быстро и не требует покупки специализированных инструментов. При написании кода для визуализации данных можно пользоваться множеством бесплатных и опенсорсных библиотек, созданных для используемых нами языков программирования. Например, существуют библиотеки такого рода для Python. Это — Matplotlib, Seaborn и Bokeh. Вот видеоурок по Matplotlib.
Ещё один способ визуализации данных предусматривает использование инструментов с закрытым кодом. Например — Tableau. Существует много таких средств, они позволяют добиваться весьма привлекательных результатов, но они не бесплатны. Tableau — один из самых распространённых подобных инструментов, им я пользуюсь очень часто. Я посоветовал бы всем, кто занимается анализом и визуализацией данных, изучить Tableau. Вот хорошее руководство по этому инструменту.
Искусственный интеллект и машинное обучение
AI и ML можно рассматривать как подразделы DS, так как они основаны на данных. AI и ML — это технологии, которые основаны на обучении машин поведению, сходному с поведением людей. Для этого используются специально подготовленные данные, передаваемые машинам. Компьютерные модели можно научить многому такому, на что способны люди. Для этого их обучают и направляют к нужному результату. В данном случае «машины» можно воспринимать как маленьких детей, не имеющих совершенно никаких знаний. Этих детей постепенно обучают идентифицировать объекты, говорить. Они учатся на своих ошибках и, по мере обучения, начинают всё лучше решать поставленные перед ними задачи. Так происходит и с машинами.
Технологии AI и ML — это то, что «оживляет» машины с использованием множества математических алгоритмов. Человечеству до сих пор не известны границы возможностей этих постоянно совершенствующихся технологий. В наши дни технологии AI и ML широко используются для решения когнитивных задач. Это — обнаружение и распознавание объектов, распознавание лиц и речи, обработка естественного языка, выявление спама и обнаружение мошенничества. Этот список можно ещё очень долго продолжать.
Более подробный рассказ об AI и ML достоин отдельной публикации. Пока же я могу порекомендовать это видео, касающееся общих вопросов применения данных технологий. А вот — многочасовой видеоурок, посвящённый машинному обучению. Проработав эти видео, вы можете приобрести знания в сфере ML, соответствующие начальному или даже среднему уровню. Вы узнаете о множестве существующих алгоритмов машинного обучения, о том, как они устроены, и о том, как ими пользоваться. После этого у вас должно быть достаточно знаний для того чтобы приступить к созданию собственных простых ML-моделей. О том, как это сделать, можно почитать здесь.
Изучите способы публикации ML-моделей в интернете
Существуют инструменты, позволяющие публиковать ML-модели в интернете. Это позволяет дать к ним доступ всем желающим. Для того чтобы публиковать модели в интернете, нужно хорошее понимание процессов веб-разработки. Дело в том, что под «публикацией модели» понимается создание веб-страницы (или группы страниц), обеспечивающей возможность работы с моделью в браузере. Кроме того, нужно учитывать то, что фронтенд проекта, его интерфейс, должен обмениваться данными с бэкендом, с серверной частью проекта, где расположена сама модель. Для того чтобы строить подобные проекты, вы должны уметь создавать серверные API и пользоваться этими API в клиентской части приложений.
В том случае, если вы планируете публиковать модели в облачных средах, если собираетесь использовать технологию Docker, вам пригодится хорошее знание сферы облачных вычислений и DevOps.
На самом деле, существует множество способов развёртывания моделей в интернете. Я посоветовал бы начать с изучения того, как это делается с использованием веб-фреймворка Flask, основанного на Python. Вот хорошее учебное руководство об этом.
Найдите наставника
Самообучение — это прекрасно, но ничто не сравнится с обучением у профессионалов. Дело в том, что при таком подходе усваивается то, что используется в реальности, и в том, что так обучение идёт через практику. Многие вещи можно изучить только на практике. Обучение с наставником имеет множество сильных сторон, но надо учитывать то, что не каждый наставник способен оказать существенное влияние на вашу карьеру или жизнь. Именно поэтому очень важно найти хорошего наставника.
Например, эту задачу можно попытаться решить с помощью платформы Notitia AI. Здесь учащимся назначают персональных наставников, которые делают личный и профессиональный вклад в развитие учеников. Наставники доводят тех, кто хочет учиться, от начального до экспертного уровня в сферах DS, AI и ML. Notia AI, это, кроме того, самая доступная платформа такого рода.
Итоги
Учтите, что изучение курсов, чтение статей и просмотр видео не сделают из вас специалиста по работе с данными. Вам понадобится пройти сертификацию в специализированном учреждении. Кроме того, некоторые вакансии требуют наличия определённых документов об образовании. Вложите время в самообучение, сертифицируйтесь или получите документы об образовании, и вы будете готовы к реальной работе.
Как вы думаете, что нужно знать и уметь тому, кто стремится стать ценным специалистом в сферах искусственного интеллекта или машинного обучения?
📈 🧠 💰 Станьте экспертом по машинному обучению с нуля и бесплатно!
Ilya Ginsburg
Полное руководство о том, как начать изучать машинное обучение (ML) и искусственный интеллект (AI), не обладая каким-либо опытом в этой области.
В моих соцсетях мне сотни раз в день задают один и тот же вопрос: «как попасть в Machine Learning?» Зачастую он имеет другие формы, вроде: «как начать бесплатно?«, «как начать, не будучи разработчиком?» и т.п. Поэтому я решил написать полное руководство о том, как начать свой путь в машинном обучении с полного нуля и бесплатно. Чтобы отвечать на такие актуальные вопросы, я исследовал множество ресурсов на протяжении нескольких последних лет, и сохранял лучшие из них в блокнот, чтобы быстро отвечать на будущие вопросы.
Сегодня я поделюсь этим блокнотом со всеми и перечислю множество прекрасных ресурсов, а также дам вам несколько советов относительно того, как лучше учиться, и как улучшать свои навыки в машинном обучении.
Кто может стать экспертом в машинном обучении?
Это руководство рассчитано на тех, у кого нет никаких или очень мало навыков в программировании, математике и/или машинном обучении. Вы не обязаны изучать приводимые материалы именно в этом порядке, но классическим путем будет изучение «с начала до конца», следуя порядку, приведенному в этой статье. Если вы не любите читать книги, пропустите соответствующую секцию, а если вам не нравится проходить курсы онлайн – и эту секцию тоже можно пропустить. Есть множество путей к тому, чтобы стать экспертом в машинном обучении, и вы, несомненно, сможете достичь этой цели своим путем.
Цель этой статьи – в том, чтобы предоставить путь для всех, желающих попасть в Machine Learning, но не знающих, с чего начать. Я знаю, что найти, с чего начать, или что изучать дальше при изучении чего-нибудь нового, может быть трудно, особенно если у вас нет учителя или кого-нибудь, кто дал бы хороший совет. Именно поэтому я перечислю множество ресурсов, с которыми вы сможете проконсультироваться, упорядоченных по возрастанию сложности. Если вы уже кое-что знаете, то просто пропустите некоторые шаги.
Все перечисленные здесь ресурсы бесплатны, кроме некоторых онлайн-курсов и книг, которые, несомненно, пригодятся для лучшего понимания, но без которых все-таки можно обойтись, потратив немного больше времени на чтение, видео и практику.
Не стесняйтесь проигрывать видео несколько раз или изучать одни и те же концепции из разных источников. Повторение – ключ к успеху при изучении чего-то нового!
Начните с YouTube
Давайте погрузимся!
Я считаю, что лучший способ начать изучение чего-либо – короткие видео об этом предмете на YouTube, и эта область – не исключение. На YouTube есть тысячи прекрасных видео и плейлистов, рассказывающих о важных концепциях машинного обучения бесплатно, и вам, несомненно, стоит их использовать.
Сейчас я перечислю несколько лучших видео, которые я нашел, и которые предоставят вам отличное первое знакомство с терминами, необходимыми для начала изучения этой области.
https://www.youtube.com/WhatsAI
Первый ресурс, который я лично рекомендую – это плейлист YouTube, представляющий самые важные термины в данной области, What’s AI. Этот плейлист надо обязательно посмотреть, чтобы получить базовое понимание машинного обучения и какое-то представление о терминах, используемых в этой области. Это просто последовательность коротких 1-минутных видео, рассматривающих самые важные термины, от простых до более сложных. Вам потребуется не больше 30 минут, чтобы получить полный обзор этой области!
Вслед за этими видео, я советую погрузиться немного глубже в основания машинного обучения и глубокого обучения, а также узнать больше о нейронных сетях. Понимание нейронных сетей и обратного распространения (backpropagation) – самое важное для начала, и оно предоставит вам огромное преимущество, когда вы погрузитесь в более сложные курсы и лекции.
К счастью для нас, замечательный канал 3Blue1Brown создал серии видео, раскрывающих именно эти концепции предельно ясно. Не стесняйтесь проигрывать их несколько раз или найдите свой плейлист на эту тему, если что-то осталось непонятным! Изучение основано на повторении!
https://www.youtube.com/c/3blue1brown
Теперь, когда у вас есть четкое представление о том, что такое алгоритм машинного обучения, как он работает, и как нейронная сеть может обучаться методом обратного распространения, вы уже готовы погрузиться в более сложные и более полные курсы.
Не упускайте и другие обучающие видео на YouTube! Там есть отличные ресурсы, и вообще это бесплатная и недооцененная платформа для изучения!
Начинаем серьезное изучение
Этот шаг немного дольше, чем предыдущий, поскольку вам предстоит посмотреть много часов великолепных, бесплатных курсов на YouTube, и многому из них научиться.
Пожалуйста, не делайте что-нибудь еще, пока смотрите эти курсы! Это отличные ресурсы, заслуживающие вашего внимания. Вы должны делать заметки и задавать вопросы в онлайн-сообществах.
Кроме того, эти курсы очень увлекательны. Как только у вас появится мотивация, чтобы нажать кнопку «Play», они удержат ваше внимание до конца, и я, обещаю, что вы научитесь МНОГОМУ!
Вот краткий список лучших курсов, которые я предлагаю посмотреть в первую очередь. Они перечислены в порядке «сложности понимания», начиная со введения и заканчивая прекрасной специализацией. Заметьте, что даже специализация – на этом этапе всего лишь введение, но она приготовит вас к более интересным вещам. Конечно, все это бесплатно!
Переходим к чтению
Читайте статьи онлайн
Как было доказано множество раз, люди учатся лучше, повторяя одно и то же и изучая его разными способами: слушать, читать, писать, смотреть и т.д. Вот почему читать так же важно, как смотреть видео, чтобы достичь лучшего понимания. Вы рассмотрите тему с разных сторон и получите более полный обзор того, что вы пытаетесь изучить. Этот раздел – список коротких статей, бесплатных и необязательных.
Вы, несомненно, найдете множество других статей сами. Эти – просто предложения, основанные на моем личном вкусе.
Вот 5 статей, которые можно прочитать на Medium, которые я предлагаю вам просмотреть до того, как вы погрузитесь в книги, кодирование или онлайн-курсы. Эти короткие статьи будут особенно полезны в сочетании с видео, о которых мы говорили прежде.
Теперь, когда вы уже прошли через эти короткие видео и статьи, вы точно готовы к кодированию и практике! Если вы хотите получить более глубокое понимание теоретических аспектов машинного обучения, тогда вас ждет следующий раздел. В противном случае можете переходить сразу к разделам онлайн-курсов, кодирования или практики, чтобы учиться с невероятной скоростью!
Читайте важные книги
Этот раздел совершенно необязателен, но настоятельно рекомендуется для получения более глубокого понимания того, что происходит «за сценой» алгоритма машинного обучения. Книги – отличный способ учиться в своем ритме. Убедитесь, что вы все поняли, прежде чем перейдете к практическим упражнениям. Не стесняйтесь перечитывать главы!
Как вы, наверное, знаете, большинство книг требуют огромной работы авторов, и поэтому не бесплатны. К счастью для нас, есть одна великолепная книга, которая полностью бесплатна и доступна онлайн! Остальные можно купить на Амазоне. Вот список нескольких лучших книг для тех, кто предпочитает путь чтения:
Еще раз: эти книги совершенно необязательны, но они обеспечат вам лучшее понимание теории, и даже научат вас кое-чему о кодировании ваших нейронных сетей!
Теперь вы более чем готовы начать кодировать и применять на практике теорию, которую вы изучили и освоили.
Нет опыта кодирования – нет проблем!
Этот раздел – для начинающих кодировщиков. Если у вас нет никакого опыта в Python или других языках программирования, он предоставит вам базу и даст отличную основу для программирования машинного обучения.
Если вы уже неплохо знакомы с Python’ом, смело пропускайте этот раздел и переходите к следующему!
Вот лучшие онлайн-курсы для изучения программной стороны машинного обучения:
Затем вы можете изучить бесплатный курс «Изучите основы Python для анализа данных» на OpenClassroom.
После этих двух ресурсов, если вы все еще не чувствуете, что уверенно знаете Python, можно погрузиться в платный курс от IBM на Coursera под названием «Машинное обучение на Python». Он уж точно подготовит вас к кодированию своих первых алгоритмов машинного обучения и серьезно улучшит ваши навыки программиста.
Проходите онлайн-курсы
Теперь, когда вы уже хорошо понимаете теорию, лежащую в основе машинного обучения и умеете программировать, вы готовы проходить онлайн-курсы машинного обучения. Конечно, все они не обязательны. И, как прежде, первый из них бесплатный, а остальные платные, поскольку они научат вас множеству вещей, а некоторые даже выдадут вам сертификаты, которые вы сможете упомянуть в своем резюме!
Если вы не хотите проходить никаких курсов, можете просто прыгнуть к следующему разделу и начать практиковаться. Поначалу это будет немного сложнее, но умея «гуглить» и обладая мотивацией, вы точно с этим справитесь.
Если вы предпочитаете учиться под руководством учителя и следовать четким шагам, вот лучшие курсы (в порядке от простых к более сложным):
Теперь вы более чем готовы начать практическую работу и строить свое будущее портфолио!
Учимся вместе
Практика, практика и еще раз практика!
Самое важное в программировании – это практика, это относится и к машинному обучению. Найти персональный проект для практики может быть непросто. Вам придется найти задачу еще до того, как вы начнете писать код, что может быть очень трудно без посторонней помощи.
https://www.kaggle.com/
К счастью, существует Kaggle. Этот сайт полон бесплатных курсов, учебных пособий и соревнований. Вы можете присоединиться к соревнованию бесплатно, просто скачать их данные, прочитать их задачу и сразу же начать писать код и тестировать его! Вы можете даже заработать деньги, выиграв соревнование, и это будет прекрасно смотреться в вашем резюме. Возможно, это самый лучший способ получить опыт, одновременно изучая множество вещей, да еще и имея шанс заработать на этом!
Вы также можете создавать команды для соревнований Kaggle и учиться вместе! Я предлагаю вступить в коммьюнити для поиска команды и учиться вместе, это всегда лучше, чем учиться в одиночку. Этому посвящен следующий раздел.
Еще ресурсы
В большинстве случаев, лучший способ учиться – это учиться вместе с другими людьми. Вступайте в онлайн-коммьюнити и ищите партнеров по обучению!
Вот прекрасный сервер Discord со множеством энтузиастов, где вы сможете чему-то научиться, задать вопросы, найти команду для соревнования Kaggle, выложить свои проекты и многое другое.
Вы также можете вступить в сообщества Reddit – задавайте вопросы, делитесь своими проектами, следите за новостями, и делайте многое другое. Вот самые популярные сообщества:
Еще одна важная вещь в этой области – это следить за последними статьями и приложениями, которые появляются каждый день. Лучший способ – это присоединиться к группам LinkedIn, в которых отслеживают эти приложения, следить за публикациями Medium и даже YouTube-каналами, которые суммируют эти новые статьи. Я перечислю лучшие известные мне ресурсы, но вы, конечно, можете найти и другие, более соответствующий вашим интересам!
Подпишитесь на каналы YouTube, чтобы следить за новостями в сфере машинного обучения:
Вступите в группы LinkedIn:
Следите за аккаунтами и публикациями на Medium:
Заключение
Вы прочитали руководство по изучению машинного обучения для любого желающего, даже без опыта в программировании, математике и/или машинном обучении. Не обязательно учиться строго по порядку, но именно таков классический путь изучения.
Заметьте, что это далеко не полный список ресурсов, которые помогут вам стать экспертом в машинном обучении. Разумеется, вы можете использовать больше (или меньше) ресурсов и учиться в удобном для вас ритме. Не все в жизни – соревнование, и вам стоит следовать своим инстинктам в выборе собственного пути изучения. Никогда не стесняйтесь перечитать статью или посмотреть видео второй раз, чтобы понять концепцию. Мы все прошли через это, и это совершенно нормально. Самое важное – чтобы вы поняли концепции, а не «покончили» со всем списком ресурсов за кратчайшее время.
Спасибо за внимание, и я желаю вам всего наилучшего в вашей будущей карьере машинного обучения! Вот список всех ссылок из этой статьи на GitHub.
Мнение переводчика может не совпадать с мнением редакции «Библиотеки программиста».