Openbravo-rus.ru

Образование по русски
2 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Книги машинное обучение

10 полезных книг по машинному обучению

10 полезных книг по машинному обучению

    Книги , 10 сентября 2016 в 0:11

Машинное обучение — обширная тема, ставшая в последнее время весьма важной. Для тех, кто хочет с ней познакомиться, эта подборка станет приятным подспорьем.

The Elements of Statistical Learning: Data Mining, Inference, and Prediction

В этой книге авторы попытались объединить много важных новых идей, связанных со статистическим обучением. Хотя в книге не хватает математических деталей, авторы неплохо объясняют именно основы концептов. Книга пригодится не только специалистам по статистике, но и людям, работающим в смежных областях.

Inductive Logic Programming: Theory and Methods

Цель этой книги — введение в индуктивное логическое программирование, раздел науки на стыке машинного обучения и логического программирования. Книга будет полезна тем, кто изучает принципы работы с базами данных, дата-инжиниринг, ИИ, машинное обучение и логическое программирование.

Reinforcement Learning: An Introduction

Обучение с подкреплением — это один из способов машинного обучения, в ходе которого испытуемая система взаимодействует с некоторой средой и стремится получить максимальную награду за свои действия. В этой книге разбираются ключевые аспекты этого вида обучения, его история и сферы применения. Порогом вхождения в эту книгу является лишь базовый уровень знания принципов вероятностной модели.

Information Theory, Inference, and Learning Algorithms

В этой книге рассказывается о теории информации и о статистическом выводе. Эти темы лежат в основе таких областей современной науки, как коммуникация, теория обработки сигналов, data mining, машинное обучение, биоинформатика, криптография и многих других. Авторы удачно сочетают теоретические объяснения с практическими примерами и заданиями.

Gaussian Processes for Machine Learning

Эта книга посвящена гауссовским процессам и вопросу обучения с учителем. В книге приведено много алгоритмов, также разбираются сферы применения ГП в машинном обучении и статистике, например, в методе опорных векторов, нейронных сетях, сплайнах и прочем.

Bayesian Reasoning and Machine Learning

Эта книга пригодится студентам старших курсов с небольшим багажом знаний по линейной алгебре и матанализу. Материал в книге идёт от простого к сложному, используются графические модели.

A Course in Machine Learning

В этой книге приведен набор вводных материалов по большинству основных аспектов машинного обучения (обучение с учителем и без учителя, вероятностное моделирование, теория обучения и т.д.).

Machine Learning, Neural and Statistical Classification

Цель этой книги — рассказать о современных подходах к классификации. Они сравниваются по производительности и областям применения в реальных случаях. Как видно из названия, таких подходов три: статистический метод, метод машинного обучения и метод нейронных сетей.

Introduction To Machine Learning

В этой книге рассматриваются многие важные вопросы машинного обучения с 2006 года. Это и не учебник, и не задачник: цель книги — подготовить читателя к дальнейшему освоению этой темы.

Введение в информационный поиск

Книга затрагивает несколько наиболее важных аспектов информационного поиска, таких как проектирование и реализация систем сбора, индексирования и поиска документов, а также методы оценки таких систем. Помимо этого, в книге представлено введение в методы машинного обучения на базе текстов. В дополнение к книге идут интерактивные материалы для лекций и упражнений.

Будем рады, если вы расскажете нам в комментариях о других хороших книгах о машинном обучении, которые мы могли бы добавить в эту подборку.

Список литературы: Машинное обучение

Подборка материалов, которая поможет разобраться в компьютерном зрении, методах вычислительной математики и компьютерном моделировании

unsplash.com

Для начинающих: просто о сложном

Нейт Сильвер. Сигнал и Шум. Почему одни прогнозы сбываются, а другие ― нет // Азбука-Аттикус, КоЛибри, 2015

William M. Bolstad. Introduction to Bayesian Statistics, 2nd Edition // Wiley-Interscience; 2nd edition

В данной книге рассмотрены основные вопросы статистики, но с байесовской точки зрения. Основной акцент сделан на практических методах, которые можно использовать в расчетах, а также проведено их сравнение с классическими («частотными») методами, решающими аналогичные задачи. Байесовский подход к статистике позволяет строить вероятностные утверждения о параметрах математических моделей и сейчас актуален как никогда, особенно учитывая появление современных эффективных вычислительных методов, реализующих основные байесовские процедуры анализа данных.

Хей Дж. Введение в методы байесовского статистического вывода. — М.: Финансы и статистика, 1987

Это довольно старая, но заслуживающая внимания работа. В основе лежит концепция байесовского использования априорной информации в сочетании с накапливаемыми результатами наблюдений для выработки рациональных решений. Изложенные математические методы используются далее в задачах оценивания долей, средних дисперсий и регрессионных моделей. Книга подходит для тех, кто интересуется эконометрией и статистикой. Кроме того, отдельно об основных понятиях байесовского подхода можно почитать главу в книге Крилли Тони «Математика. 50 идей, о которых нужно знать» (М: Фантом Пресс, 2014).

Dr. Anasse Bari, Mohamed Chaouchi, Tommy Jung. Predictive Analytics For Dummies // For Dummies; 2 edition, 2016

С помощью этого понятного руководства можно познакомиться с основами предсказательной аналитики и начать использовать ее методы для сбора и анализа данных.

Лекция Евгения Бурнаева, посвященная использованию машинного обучения в индустриальной инженерии и её приложениях, прочитанная на Data Fest 4D в 2017 г.

О глубинном обучении есть несколько хороших материалов на известном ресурсе habrahabr.ru. В первую очередь стоит упомянуть статью, посвященную истории, возможностям и перспективам глубинного обучения, а также материал о теоретических основах использования методов такого типа. Есть и подробный рассказ об обучении с подкреплением. Дополнить это можно лекцией Виктора Лемпицкого, посвященной синтезу изображений при помощи глубоких нейросетей.

Для продвинутых: введение в дисциплину

Cameron Davidson-Pilon. Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference // Addison-Wesley Data & Analytics, 2015

В этой книге рассказывается о реализации байесовских методов анализа данных в языке вероятностного программирования PyMC и тесно с ним связанных программных пакетов на языке Питон, таких как NumPy, SciPy, and Matplotlib. При помощи указанных инструментов возможна реализация эффективных решений без значительного погружения в излишние математические подробности байесовских алгоритмов анализа данных. Дэвидсон-Пилон рассказывает о концепциях, лежащих в основе байесовского метода, сравнивает его с другими и рассказывает, как создать байесовскую модель самому, используя всю мощь вероятностного программирования. Кроме того, о применении байесовских методов и статистическом анализе можно прочитать в книге Andrew Gelman, John B. Carlin, Hal S. Stern, Donald B. Rubin. Bayesian Data Analysis, Second Edition (Chapman & Hall/CRC Texts in Statistical Science, 2nd Edition, 2003).

John K. Kruschke. Doing Bayesian Data Analysis, Second Edition: A Tutorial with R, JAGS, and Stan // Academic Press / Elsevier, 2015

Евгений Бурнаев, Федор Губарев, Сергей Морозов, Александр Прохоров, Дмитрий Хоминич. Многодисциплинарная оптимизация, анализ данных и автоматизация инженерных расчетов с помощью программного комплекса pSeven // CAD/CAM/CAE Observer #4 (88), 2014

В статье рассказывается о применении машинного обучения в инженерных задачах. В настоящее время одним из основных средств уменьшения сроков проектирования и снижения затрат на разработку различных образцов как гражданской, так и военной техники является использование систем автоматизированного проектирования: трехмерного проектирования (CAD), моделирования и инженерного анализа (CAE), управления данными об изделии (PDM) и др. Таким образом, для эффективного решения задач по созданию новых образцов техники необходимо автоматизировать сам процесс поиска оптимального облика и внутренних свойств изделия. Для этого нужно связать CAD- и CAE-системы, создав единую среду, а также применить формализованные методики научного поиска, используя методы оптимизации и анализа данных. В статье можно узнать о методах, которые можно использовать для решения этих задач. Статья доступна онлайн. Кроме того, о когнитивных технологиях в адаптивных моделях сложных систем можно узнать в совместной статье Александра Кулешова и Александра Бернштейна: Kuleshov A.P., Bernstein A.V. Cognitive technologies in adaptive models of complex plants. (Keynote papers of 13th IFAC Symposium on Information Control Problems in Manufacturing (INCOM’09), June 3 — 5, 2009. Moscow, Russia, p. 70–81.)

Читать еще:  Сайт про обучение

Max Kuhn, Kjell Johnson. Applied Predictive Modeling // Springer, 2013

Книга охватывает весь процесс предсказательного моделирования: предварительную обработку данных, разделение этих данных и основы настройки модели. Также даются интуитивно понятные объяснения многочисленных методов регрессии и классификации, которые сопровождаются иллюстрациями и примерами реальных проблем и практических решений. Дополнением может служить следующая работа, посвященная инженерному проектированию и суррогатным моделям: Forrester, Alexander, Andras Sobester, and Andy Keane, Engineering design via surrogate modelling: a practical guide (John Wiley & Sons, 2008).

5

К. В. Воронцов. Обучение с подкреплением

Лекция известного специалиста по машинному обучению Константина Воронцова, прочитанная в рамках цикла «Школа анализа данных».

6

Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction // A Bradford Book; 1St Edition edition (March 1, 1998)

Обучение с подкреплением — одно из наиболее активно развивающихся направлений в области искусственного интеллекта. В этой книге Ричард Саттон и Эндрю Барто дают представление об основных идеях и алгоритмах этого направления исследований. Они рассказывают об истории возникновения обучения с подкреплением, а также о последних разработках и приложениях.

7

Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning

Глубокое обучение позволяет компьютеру учиться на своем опыте и понимать мир посредством иерархии понятий. Эта иерархия позволяет компьютеру изучать сложные понятия, конструируя их из более простых. В книге рассматривается широкий круг вопросов, связанных с глубоким обучением. Авторы рассказывают о необходимых понятиях линейной алгебры, теории вероятностей и теории информации, численных методов и машинного обучения. Значительное внимание уделяется методам глубокого обучения, применению этих технологий в промышленности, принципам работы сверточных нейронных сетей и другим аспектам данной темы. Много интересного можно почерпнуть о приложениях глубокого обучения: обработке естественного языка, распознавании речи, компьютерном зрении, рекомендательных системах. Авторы также рассказывают о прикладных и теоретических перспективах исследований и разработки глубинного обучения. Весомым преимуществом является то, что учебник доступен онлайн.

8

Бахвалов Н. С. Численные методы. 3-е изд. — М., 2003

Классический университетский учебник, посвященный численным методам. Включает в себя самый широкий список тем, в том числе решения систем нелинейных уравнений и задачи оптимизаций, линейные уравнения с плохо обусловленными матрицами, решения задач Коши для жестких систем обыкновенных дифференциальных уравнений, аппроксимацию функции, метод сопряженных градиентов и многое другое. Учебник снабжен подробным списком литературы.

9

U. Rüde, K. Willcox, L. C. McInnes et al. Research and Education in Computational Science and Engineering

Важная обзорная статья, посвященная развитию вычислительных методов и их применению в промышленности, оптимизационных системах и различных научных областях. В статье описываются важные этапы в развитии вычислительных методов, новые вызовы, которые стоят перед этой наукой, и достижения, которые уже сделаны и могут ожидаться в будущем благодаря развитию вычислительных методов. Статья доступна онлайн.

Книги машинное обучение

Библиотека программиста

29 записей Показать все записи

Building Machine Learning Systems with Python (2015)
Авторы: Luis Pedro Coelho, Willi Richert

Целевая аудитория: опытные программисты на Python.

Чем же так привлекает машинное обучение, что в последнее время стало самой популярной областью программирования? Тем, что вы можете построить самообучающиеся системы, которые будут не только развиваться, но и приносить пользу. С трудом представляете, как этого можно добиться? Тогда прочитайте это популярное руководство по созданию машинных систем на языке Python. В книге полно советов, задач и иллюстраций.

В книге рассматриваются следующие темы:
классификация;
кластеризация;
моделирование;
регрессионный анализ;
компьютерное зрение;
большие данные и многое другое.

Преимущества:
актуальный материал по теме;
множество таблиц, графиков, иллюстраций и примеров кода.

Mastering Java Machine Learning (2017)
Авторы: Uday Kamath, Krishna Choppella

Целевая аудитория: опытные программисты на Java.

Java является одним из основных языков программирования, используемых разработчиками в развитии производительных научных систем обработки данных. Эта книга призвана познакомить вас с рядом передовых методов машинного обучения, включая классификацию, кластеризацию, обнаружение аномалий, обучение потокам, моделирование, интеллектуальный анализ текста, глубокое обучение и потоковое машинное обучение.

В книге рассматриваются следующие темы:
обзор основ машинного обучения;
обработка данных;
линейное моделирование;
бинарные деревья;
классификация и кластеризация;
активное обучение и многое другое.

Преимущества:
актуальный материал по теме;
хороший теоретический материал.

Недостатки:
большой объём.

Машинное обучение: что читать, смотреть и где учиться

На русском сайте StackOverflow в вопросе о хороших книгах по математике и машинному обучению сформировали список материалов, с которых стоит начать изучение этой предметной области.

8 месяцев назад

На русском сайте StackOverflow сформировали список материалов, с которых стоит начать изучать машинное обучение и эту предметную область!

Для тех, кто хочет на русском языке почитать про Машинное обучение:

  1. Петер Флах Машинное обучение: источник, Оглавление и отрывки из глав
  2. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. Введение в статистическое обучение с примерами на языке R: источник, Оглавление и отрывки из глав
  3. Себастьян Рашка Python и машинное обучение: источник
  4. Хенрик Бринк, Джозеф Ричардс Машинное обучение: источник
  5. Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных: источник
  6. К. В. Воронцов. Математические методы обучения по прецедентам (теория обучения машин): источник
  7. Мерков А.Б. Введение в методы статистического обучения: источник
  8. Аркадий Гелиг, Алексей Матвеев Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие: источник
  9. Мерков А.Б. Построение и обучение вероятностных моделей: источник
  10. Ричарт В., Коэльо П.Л. Построение систем машинного обучения на языке Python: источник, Оглавление и отрывки из глав (тут больше практика по машинному обучению)
  11. Вьюгин В. Математические основы машинного обучения и прогнозирования: источник
  12. Червоненкис А.Я. Теория обучения машин
  13. Ричард С. Саттон, Эндрю Г. Барто Обучение с подкреплением: источник
  14. Андреас Мюллер, Сара Гвидо Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными: источник
  15. Дэви Силен, Арно Мейсман Основы Data Science и Big Data. Python и наука о данных: источник
  16. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций: источник
  17. Донской В. И. Алгоритмические модели обучения классификации:обоснование, сравнение, выбор: источник
  18. Местецкий Л.М. Математические методы распознавания образов Курс лекций: источник
  19. Кристофер Д. Маннинг, Прабхакар Рагхаван Введение в информационный поиск: источник
  20. Юре Лесковец, Ананд Раджараман Анализ больших наборов данных: источник, оглавление и отрывки из глав
  21. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение: источник, оглавление и отрывки из глав
  22. Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образов: источник

Для тех, кто хочет на русском языке посмотреть:

  • Высшая школа экономики Введение в машинное обучение: источник Coursera
  • Специализация Машинное обучение и анализ данных включающая себя 6 курсов: источник Coursera
  • Видеолекции курса «Машинное обучение» от Школы анализа данных Яндекса источник на яндексе или источник на ютубе
  • Специализация Анализ Данных от Stepik
  • Курс Нейронные сети: источник
  • Видеолекциии (13шт.) Введение в анализ данных: источник Mail.ru
  • Видеолекциии (1 семестр) Data Minig: источник Mail.ru
  • Видеолекциии (2 семестр) Data Minig: источник Mail.ru
  • Computer Science Center Машинное обучение, часть 1 (осень 2016): источник ютуб
  • Computer Science Center Машинное обучение, часть 2 (весна 2017): источник ютуб
  • Data Mining in Action 10 лекций по ML: источник ютуб
  • Компьютерные науки Тренировки Machine Learning: источник ютуб здесь люди делятся своим реальным опытом в ML
  • Высшая школа экономики, курс Линейная алгебра: источник Coursera
  • Лекториум Линейная алгебра и аналитическая геометрия: источник ютуб
  • МФТИ, курс Теория вероятностей для начинающих: источник Coursera
  • МФТИ, курс Математика для всех: источник Coursera
  • Курс от Stepik Основы статистики: часть1,часть2, часть3
  • Курс от Stepik Математическая статистика: источник
  • Курс от Stepik Введение в дискретную математику: источник
  • Курс от Stepik Ликбез по дискретной математике: источник
  • Курс от Stepik Введение в математический анализ: источник
  • Курс от Stepik Математический анализ: часть1, часть2
  • Курс от Stepik Анализ данных в R: часть1, часть2
  • Computer Science Center Анализ данных на R в примерах и задачах (весна 2016): источник ютуб
  • Computer Science Center Анализ данных на R в примерах и задачах, часть 2 (весна 2017): источник ютуб
  • Канал на ютубе Основы анализа данных: источник
  • KhanAcademyRussian Теор. вероятн-ей и комбинаторика: источник ютуб
  • Алгебра (133 видео): источник KhanAcademyRussian
Читать еще:  Майкрософт эксель обучение для начинающих

Прежде чем заниматься конкретно машинным обучением, рекомендую всё же ознакомится с книгами

  • Стюарт Рассел, Питер Норвиг Искусственный интеллект. Современный подход: источник
  • Джордж Ф. Люгер Искусственный интеллект. Стратегии и методы решения сложных проблем: источник

Таким образом у вас сформируется более четкое понимание предметной области машинного обучения и сильно расширит ваш кругозор. Нейронные сети занимают важную позицию в машинном обучении, поэтому стоит ознакомиться с книгой

  • Саймон Хайкин Нейронные сети. Полный курс: источник

Так же вы должны уметь производить предварительный анализ данных, что бы понять, какие методы машинного обучения можно применить к вашему набору данных или как его лучше подготовить. В этом вам помогут следующие книги:

  • Борис Миркин Введение в анализ данных. Учебник и практикум: источник
  • Марина Архипова, Татьяна Дуброва Анализ данных. Учебник: источник
  • Загоруйко Н.Г. Прикладные методы анализа данных и знаний: источник
  • Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия: источник
  • Рубан А.И. Методы анализа данных
  • Уэс Маккинни Python и анализ данных: источник (практика)
  • Роберт И. Кабаков R в действии. Анализ и визуализация данных на языке R: источник (практика)

Вы должны знать хорошо математику (в особенности линейную алгебру), статистику, теорию вероятностей, дискретную математику. Я, например, неважно знаю математику и мне очень тяжело читать стандартные учебники, рассчитанные на то, что преподаватель сможет разжевать скупое описание формулы, поэтому для легкого порога вхождения рекомендую следующие книги (от основ и выше):

  • Стивен Х. Строгац Удовольствие от x. Увлекательная экскурсия в мир математики от одного из лучших преподавателей в мире: источник
  • Юрий Шиханович Введение в современную математику. Начальные понятия: источник
  • Рональд Л. Грэхем, Дональд Эрвин Кнут Конкретная математика. Математические основы информатики: источник
  • Юрий Пухначев Математика без формул: книга1, книга2
  • Риxард Курант, Герберт Роббинс Что такое математика?источник
  • Тарасов Л.В. Азбука математического анализа. Беседы об основных понятиях. Учебное пособие: источник

Машинное обучение на любителя:

  • Занимательная статистика. Манга: источник
  • Занимательная статистика. Регрессионный анализ. Манга: источник
  • Занимательная математика. Производные и интегралы. Манга: источник
  • Занимательная статистика. Факторный анализ. Манга: источник

Потом уже можно браться за стандартный учебник математического анализа

Я хочу изучать AI и машинное обучение. С чего мне начать?

Когда-то я работал в Apple Store и мечтал изменить свою жизнь: вместо обслуживания техники Apple, мне хотелось ее создавать.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI), потому что на этом поприще творятся невероятные вещи. К тому же, эта область активно развивается.

Например, такое ощущение, что Google или Facebook каждую неделю выпускают новую технологию AI, чтобы ускорить работу или улучшить наш с вами пользовательский опыт.

И даже не будем затрагивать такую тему, как растущее число компаний по производству беспилотных автомобилей. Это отличная идея, но, к сожалению, я не поклонник вождения.

Несмотря на все вышеперечисленное, до сих пор не существует согласованного понятия искусственного интеллекта (AI).

Некоторые утверждают, что глубокое обучение можно рассматривать как AI, другие говорят, что это не AI, пока не пройден Тест Тьюринга.

Из-за отсутствия четкого определения, мой прогресс изрядно затормозился в начале. Было трудно разобраться в том, что не имело строгого определения.

С чего я начал?

Начнем с того, что, какое-то время назад, я и мои друзья запустили веб-стартап. Он провалился. В итоге мы сдались и не стали продолжать из-за бессмысленности идеи. Но во время работы над стартапом, я все больше и больше узнавал о таких вещах, как ML и AI.

Я не мог поверить в то, что компьютер может что-то учить для меня.

Через какое-то время я наткнулся на курс от Udacity под названием Deep Learning Nanodegree. На одном из промо-роликов я увидел забавного человека по имени Сирадж Раваль. Он заразил меня своей энергией и я записался на курс, несмотря на то, что совсем не отвечал основным требованиям (я ни разу не писал на Python).

За 3 недели до начала курса, я написал в Службу Поддержки Udacity, с вопросом об их политике возврата средств. Я боялся, что не смогу закончить курс.

Что же, мне не потребовался возврат, так как я закончил курс в установленный срок. Было действительно тяжело. Мои первые проекты были сданы с опозданием на четыре дня. Я шел вперед только из-за гордости от принятия участия в данном проекте.

Окончив Deep Learning Nanodegree, я гарантированно получал доступ к другим курсам Udacity, таким как AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree.

Но я был растерян. Что делать дальше?

Мне нужен был учебный план. Я получил необходимые базовые знания с помощью Deep Learning Nanodegree, теперь пришло время выяснить, куда двигаться дальше.

Моя собственноручно созданная степень магистра по AI

В мои планы точно не входило возвращаться в университет. К тому же $100,000 на дороге не валяются, чтобы получить степень магистра.

Поэтому я сделал то, что сделал в самом начале своего пути — попросил своего наставника Google о помощи.

Я понял, что погрузился с головой в глубокое обучение без каких-либо знаний в этой области, вместо того, чтобы постепенно взбираться на верхушку айсберга под названием AI.

Просмотрев кучу курсов, я составил список самых интересных в Trello.

Я знал, что онлайн-курсы имеют высокий процент отсева, но я не собирался становиться частью этих отсеявшихся участников. У меня была миссия.

Чтобы привить себе ответственность, я решил делиться своими успехами и неудачами в Интернете. Помимо этого, там я мог бы найти других людей, которые заинтересованы в том же, что и я.

Я сделал доску Trello открытой и написал о своих начинаниях в блоге.

Мой учебный план немного изменился с тех пор, как я впервые написал его, но он по-прежнему актуален, и я посещаю доску Trello несколько раз в неделю, чтобы отслеживать свой прогресс.

Получение работы

Я следовал своему учебному плану вот уже более года, настало время на практике применить свои навыки. Поэтому я купил билет на самолет в один конец в США.

Мой план заключался в том, чтобы добраться до США и получить работу.

Однажды, девушка по имени Эшли написала мне на LinkedIn вот такое письмо: “Я видела твои посты и они на самом деле отличные, я думаю, тебе стоит встретиться с Майком”.

Читать еще:  С чего начать изучение машинного обучения

Я встретился с Майком и рассказал ему свою историю онлайн-обучения, о том как мне нравится Health Tech и о своих планах по переезду в США. Майк сказал мне: “Тебе лучше остаться тут на год или дольше, и посмотреть, что из этого выйдет. Кроме того, советую тебе встретиться с Кэмероном”.

Я встретился с Кэмероном и у нас был практически такой же диалог, что и с Майком. Health Tech, онлайн-обучение, США. Кэмерон сказал мне: “Мы с командой работаем над некоторыми проблемами в области здравоохранения, почему бы тебе не прийти к нам в четверг?”.

Настал четверг. Мои нервы были на пределе. Чтобы успокоиться, я вспомнил слова какого-то мудрого человека: нервное состояние — это то же самое, что и воодушевленное. Я перестал нервничать и переключился на нужное, в данной ситуации, состояние.

Весь день я знакомился с командой Max Kelsen.

Две недели спустя, Ник — генеральный директор, Атон — ведущий инженер по машинному обучению и я пошли за кофе.

“Ты хотел бы присоединиться к команде?” — спросил меня Ник.

“Конечно” — ответил я.

Билет в США мне не понадобился.

Делитесь своей работой

Я знаю, что онлайн-обучение не является традиционной формой обучения. Все специальности, к которым я обращался, требуют степени магистра или, по крайней мере, какую-то техническую степень.

Никакой степени у меня, естественно, не было. Но у меня были навыки, которые я получил, благодаря множеству онлайн-курсов.

Во время обучения, я делился своей работой в Интернете. Мой GitHub был заполнен проектами, которые я сделал, профиль на LinkedIn я забросил и стал делиться своими знаниями через YouTube и статьи на Medium.

Я никогда не писал резюме для Max Kelsen, потому что они и так уже все про меня знали из моего профиля на LinkedIn.

Моя публичная деятельность и была моим резюме.

Независимо от того, учитесь ли вы онлайн или получаете степень магистра, наличие портфолио с примерами ваших работ — отличный способ показать себя.

Да, навыки по ML и AI востребованы, но это не значит, что вам ничего не придется делать, чтобы получить работу. Продемонстрировать навыки придется, потому что даже гениальный продукт не будет продаваться, если его не поместить на видное место.

Создайте себе профиль на GitHub, Kaggle, LinkedIn или просто заведите блог — люди должны о вас как-то узнать. Кроме того, иметь собственный уголок в Интернете — очень весело.

Как начать?

На каких платформах учиться? Какие курсы лучше выбрать?

Однозначного ответа нет. Учебный процесс у всех складывается по-разному. Некоторые люди лучше учатся по книгам, другие по видео.

Важнее не то, как начать, а почему вы это начинаете.

Начните с определения причины.

  • Почему вы хотите изучать эти навыки?
  • Вы хотите много зарабатывать?
  • Вы хотите создавать что-то интересное?
  • Вы хотите что-то изменить в нашем мире?

Опять же, нет единственно верной причины. Все они верны по-своему.

Наличие “почему” означает, что в трудные времена у вас будет к чему обратиться за помощью, чтобы напомнить себе, почему вы все это затеяли.

Определили свое “почему”? Хорошо. Пришло время перейти к самой трудной части.

Я могу рекомендовать только то, что сам пробовал.

Вот курсы, которые я окончил (по порядку):

  • Treehouse — Введение в Python
  • Udacity —Глубокое обучение и AI
  • Coursera — Глубокое обучение от Andrew Ng
  • fast.ai — Часть 1, скоро будет Часть 2

Я лучше воспринимаю визуальную информацию, то есть когда мне наглядно показывают и объясняют разные вещи. Все эти курсы заточены на таких как я.

Если вы абсолютный новичок, начните с вводных курсов по Python, а затем, когда станете более уверены в своих знаниях, переходите к data science, машинному обучению и AI.

Нужны ли углубленные знания по математике?

Самый высокий уровень математического образования, который я получил, был еще в старшей школе. Остальное я узнал через Khan Academy, поскольку эти знания были мне необходимы.

Существует большое количество мнений по поводу того, какой уровень знаний по математике нужно иметь, чтобы попасть в сферу машинного обучения и AI. Я поделюсь с вами своим мнением.

Если вы хотите применить знания ML и методы AI к какой-либо проблеме, вам не обязательно нужно иметь глубокое понимание математики, чтобы достичь хорошего результата.

Такие библиотеки, как TensorFlow и PyTorch позволяют создавать, при небольшом знании Python, современные модели, в то время как математика делает основную работу за кулисами.

Если же вы собираетесь углубиться в машинное обучение и AI, поступив в университет или куда-то еще, глубокие знания по математике играют наиважнейшую роль.

Лично я не собираюсь углубляться в математику и улучшать производительность алгоритма на 10%. Оставлю это людям, которые умнее меня.

Вместо этого, я буду использовать доступные мне библиотеки и манипулировать ими как мне угодно, чтобы решать проблемы по своему усмотрению.

Что на самом деле делает специалист по машинному обучению?

То, что специалист по машинному обучению делает на практике, может оказаться совсем не тем, о чем вы думаете.

Например, несмотря на распространенный факт, мы не работаем с роботами, у которых красные и страшные глаза.

Вот несколько вопросов, которые ежедневно задает себе специалист по ML:

  • Концепция — как можно использовать ML, чтобы узнать больше о проблеме?
  • Данные —сколько данных вам требуется? В каком формате они должны быть? Что вы делаете, когда данные отсутствуют?
  • Моделирование — какую модель следует использовать? Хорошо ли она работает с данными (переобучение)? Если работает плохо, то почему?
  • Производство — как вы можете использовать свою модель в производстве? Должна ли это быть онлайн-модель или она должна обновляться через определенные промежутки времени?
  • Будущее — что произойдет, если ваша модель сломается? Можно ли улучшить ее с большим количеством данных?

Я позаимствовал эти вопросы из замечательной статьи Рейчел Томас, одной из основательниц fast.ai.

Кроме того, я снял видео о том, чем мы занимаемся по понедельникам в Max Kelsen.

Нет однозначно верного пути

Не существует правильного или неправильного способа попасть в сферу ML или AI.

Самое прекрасное в этой сфере то, что у нас есть доступ к одним из передовых технологий в мире, и все, что нам нужно сделать — это научиться правильно их использовать.

Вы можете начать с изучения Python.

Вы можете начать с изучения исчисления и статистики.

Вы можете начать с изучения философии принятия решений.

Машинное обучение и AI привлекает меня именно тем, что тут сходится так много разнообразных областей.

Чем больше я узнаю, тем больше еще остается узнать. И это подстегивает меня двигаться вперед.

Когда мой код не запускается или я не понимаю концепцию, я временно прекращаю работу. Я сдаюсь, позволяя себе уйти от проблемы, немного вздремнуть или сходить на прогулку. Когда я возвращаюсь со свежей головой, я смотрю на проблему под другим углом. Воодушевление возвращается и я продолжаю учиться.

Начните свое обучение с того, что вам больше всего по душе. Если это приведет вас в тупик, вернитесь назад и выберите другой путь.

Компьютеры умны, но они все еще не могут учиться самостоятельно. Им нужна ваша помощь.

Ссылка на основную публикацию
Adblock
detector
×
×