Makine öğrenimi için nelere ihtiyacım var?

9

Geçen yıldan başlayarak, makine öğrenimi gibi en önemli tezlerden bazılarını anlamak için çeşitli konular üzerinde çalışıyorum.

S. Hochreiter ve J. Schmidhuber. (1997). Uzun kısa süreli bellek . Sinirsel Hesaplama, 9 (8), 1735-1780.

Ancak, herhangi bir matematiksel geçmişe sahip olmadığım için,

  • hesap
  • Çok Değişkenli Analiz
  • Matematiksel Analiz
  • Lineer Cebir
  • Diferansiyel denklemler
  • Gerçek Analiz (Ölçüm teorisi)
  • Temel Olasılık ve İstatistik
  • Matematiksel İstatistikler

Şu anda, bu konuları titizlikle çalıştığımı söyleyemem, ancak yukarıdaki konuların ne ile uğraşmak istediğini biliyorum. Mesele şu ki ne yapmam gerektiğini bilmiyorum. Makine öğreniminin birçok problemi çözmek için kullandığı birçok konu var ve bunları doğru bir şekilde nasıl kullanacağımı bilmiyorum.

Örneğin, pekiştirme öğrenimi, şimdi yüz binlerce araştırmacının boyutsallığın lanetini bir atılım yapmak için araştırmalarını yaptığı en popüler konulardan biri. Ancak, BT şirketlerinde çalışacak gelecekteki bir çalışan olarak, masadaki görev yapmayı beklediğim bir şey olmazdı.

Bu alanlarda çalışmak için kendi uzmanlığım olması önemli mi? Öyleyse, şu anda ne tür dersler almam gerekiyor?

Size kolaylık sağlamak için Markov süreci ve Markov karar süreci hakkında daha fazla bilgi edinmek istiyorum.

machine-learning  getting-started 
— Windforces
kaynak
1
Bu LSTM belgesindeki her şeyi anladıysanız , ML'deki kariyerinizi sürdürmek için az çok tüm ön koşullara sahip olduğunuzu söyleyebilirim. Tabii ki, yeni kavramları (herkesin yaptığı gibi) bulacaksınız, ancak bunlarla başa çıkabileceksiniz (kendi başınıza biraz araştırma yaparak). LSTM belgesini anladıysanız, Markov süreçleri ve MDP'ler gerçekten büyük bir sorun değildir.
— nbro
— nbro

Yanıtlar:

4

Yapay Zeka alanında yüksek lisans öğrencisi olarak, Makine Öğrenimi ile ilgili bazı temel bilgileri okumanızı şiddetle tavsiye ederim.

Bunu yapmak için, bazı Kaggle yarışmalarını deneyerek teori ve pratik için iyi bir kitap ( Machine Learning , Tom Mitchell, McGraw Hill, 1997) alabilirsiniz .

Mitchell'in kitabını önerdim çünkü o alanda uzman ve Makine Öğrenimi derslerinin çoğu kitabını kullanıyor. Ayrıca video videolarını çevrimiçi olarak da takip edebilirsiniz

Kaggle'da, kullanılabilir veri kümeleriyle çalışmaya başlamak için birçok yararlı öğretici (Not Defteri olarak adlandırılır) bulabilirsiniz. Titanic Challenge hakkında bazı eğiticiler burada

— Catalin Copil
kaynak
5

Aslında, Makine Öğrenme Algoritmalarını uygulamak için bu konular üzerinde titiz bir çalışmaya ihtiyacınız yoktur. Makine Öğreniminde sadece Olasılık Teorisinin titizlikle ele alınması gerekir. Burada çok iyi bir Olasılık Teorisi dersleri bulabilirsiniz:

Olasılığa Giriş - Belirsizlik Bilimi

Ayrıca, Matematikte temel bir kurs yeterli olacaktır, temel uygulamalar için, özel bir ağırlık güncelleme şemaları veya Sinir Ağları yeni bir şeyle yapmak istemiyorsanız, aslında yüksek seviyeli Matematik'i anlamanız gerekmez. Ancak Matematik hakkında bir sezgi kazanmak için Khan Academy'ye bakın: Matematik

Doğrusal Cebir hakkında bazı temel fikirler, sadece şeyleri görselleştirmek ve sezgi kazanmak için yeterlidir. Khan academy bu konuda harika bir kursa sahip, kontrol etmenizi öneririm: Linear cebir

Programlama dilleri için, Machine Learning veya NEural Nets, Python veya R'de uygulamak en iyisidir çünkü veri görselleştirme ve programlama oldukça kolaydır.

Sinir Ağları ve Makine öğrenimi uygulama ile ilgili ana şey pratiktir, ne kadar çok pratik yaparsanız o kadar iyi olur. Ayrıca pratikte ne yaptığınıza dair bir sezgi elde edersiniz. Sadece teoriyi okumak ve kavramları anlamak size yardımcı olmaz. Gerçek hayatta uygulamak zorundasınız. Kitap söz konusu olduğunda cevabımı burada görebilirsiniz:

Alanında yeni deneyimli bir programcı için AI Teorisinin / Araçlarının / Uygulamalarının incelenmiş kaynakları?

— DuttaA
kaynak
3

İstatistiksel modelleri çok yardımcı buldum. Ancak, tek başına istatistikler yeterli değildir, olasılık teorisinde de çok sağlam bir arka plana ihtiyacınız vardır.

— Güneş patlaması
kaynak
1

önce python temellerini öğrenir. Baye teoremiyle başlayın, sonra 1) olasılık yoğunluk fonksiyonları 2) birikimli yoğunluk fonksiyonları 3) sürekli fonksiyonlar 4) merkezi limit teoremine gidin.

— Syam
kaynak
Bunun yanı sıra, makine öğreniminin ileri düzeydeki bazı tezlerini görmek için lisansüstü olasılık teorisi öğrenmenin önemli olduğunu düşünüyor musunuz? Ve ayrıca, yukarıdaki her şeyi bildiğimi varsayın (kaba olmak istemiyorum ama dürüst olmak gerekirse, süreklilik ve düzgün süreklilik, pdf, cdf, mgf vb. Arasındaki farkın ne olduğunu biliyorum), üretim seviyesi programı yapmak için markov sürecini öğrenmenin önemli olduğunu düşünüyor musunuz?
— Rüzgar
1

İlk olarak, üzerimde hızlı bir arka plan. Ben bir biyofizik derecesi ile mezun olan tıp öncesi bir öğrenciydim. Bazı sıkı çalışmalardan ve akıllı karar vermeden sonra, şimdi Bilgisayar Bilimi (Makine Öğreniminde uzmanlık) alanında yüksek lisansa sahip bir AI / ML yazılım mühendisiyim.

Bu alanlarda çalışmak için kendi uzmanlığım olması önemli mi?

Evet, kesinlikle, ama mutlaka profesyonel bir bağlamda değil. Makine öğrenimi yazılım mühendisi olarak çalışmanıza gerek yoktur, ancak bu alanda yetkinlik göstermeniz gerekir. Bu, sorunuzun ikinci kısmına büyük bir selam ...

Öyleyse, şu anda ne tür dersler almam gerekiyor?

Onlara odaklanmanız gereken tek konu yok. Makine öğrenimi birçok farklı alanın birleşimidir ve daha kapsamlı uygulamalara dalmadan önce sadece bir alana odaklanmak çok verimli olmaz. Bunun yerine, öğreticiler ve pratikler oyunun adıdır.

  • 3Blue1Brown on Youtube, özellikle sinir ağlarında harika öğreticiler verir
  • Khan Academy , matematik dersleri söz konusu olduğunda bir nimettir. Doğrusal Cebir ve Olasılık / İstatistik başlamak için en iyisi diyebilirim. Ancak nihayetinde Çok Değişkenli Analiz ve Diferansiyel Denklemler de kullanılır.
  • Udacity size yapay zeka ve makine öğrenimi konusunda daha fazla deneyim kazandırmak için "nanodegree" programları sunan harika bir eğitim sitesidir. Sadece videoları izlemek istiyorsanız ücretsizdir.
  • OpenAIGym Takviye Öğrenme uygulamak için harika bir yerdir
  • Kaggle'ın makine öğrenimi hakkında harika eğitimleri vardır ve yarışmaları denetimli / denetimsiz öğrenimle harika uygulamalar sağlar.

En iyi sonuçları elde etmek için teori ve matematiksel arka plandaki gelişiminizi uygulamalı geliştirme ve uygulama ile tamamlayın. UPcity öğreticilerinin ve OpenAIGym'in harika uygulamalar sunacağı MDP'lere özel bir odaklanmadan bahsediyorsunuz.

Bir Yüksek Lisans Derecesi ile ilgileniyorsanız, Georgia Tech'in Online Bilgisayar Bilimi Yüksek Lisansını ( OMSCS ) yeterince tavsiye edemem . Harika bir eğitim ve (2015 yılında kaydolduğumda) GRE gerektirmiyordu ve sadece yaklaşık 8000,00 dolar

— SeeDerekEngineer
kaynak
-1

3 Ayda Makine Öğrenmesini Öğrenin

Bu "3 Ayda Machine Learning bilgi" için Müfredatı'dır bu Youtube'daki Siraj Raval tarafından videoya

1. ay

Hafta 1 Doğrusal Cebir

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

Hafta 2 Analiz

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

3. Hafta Olasılık

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

4. Hafta Algoritmalar

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

2. ay

1. hafta

Veri bilimi için python öğrenin

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

Zeka Matematiği

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

Tensorflow'a Giriş

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

Hafta 2

ML'ye Giriş (Udacity) https://eu.udacity.com/course/intro-to-machine-learning--ud120

Hafta 3-4

ML Proje Fikirleri https://github.com/NirantK/awesome-project-ideas

3. Ay (Derin Öğrenme)

1. hafta

Derin Öğrenmeye Giriş https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

Hafta 2

Fast.AI ile Derin Öğrenme http://course.fast.ai/

Hafta 3-4

Https://github.com/llSourcell?tab=repositories adresimden DL projelerini yeniden uygulayın

Ek Kaynaklar:
- ML'deki kişiler Twitter'da takip edecekler

— Maheshwar Ligade
kaynak
1
Evet, size bu cevabı neden reddettiğimi söyleyebilirim. 1) Önkoşulları da inceleyerek makine öğrenimini 3 ayda iyi öğrenebileceğinizi sanmıyorum. 2) Öğrenirken herkesin kendi hızı vardır, bu yüzden öğrenmeyi 3 ay ile sınırlamak iyi bir fikir değildir. 3) Nedenini açıklamadan insanları başka kaynaklara bağlıyorsunuz.
— nbro
Bir PRO olamazız ama en azından Nuance bazı yapmak ve bazı ML yarışmasını yönetmek için. Bir bağlantı koyarsam, o bağlantıdan ne alacağınızdan bahsettim. Ayrıca herkesin kendi öğrenme hızı var, ben de bu noktaya katılıyorum ama bu üç ayda ellerinizi kirletebilirsiniz. Bu, hiç kimsenin hiçbir şey bilmediğini göz önüne alarak verilen çok genel bir cevaptır, ancak sadece daha derin kazmaya başlayabilmeleri için başlamak ve güven kazanmak isterler.
— Maheshwar Ligade
@nbro Eğer kendi fikrinizi kabul edersem, herkesin kendi öğrenme hızı vardır, o zaman en az birkaç kişi bu cevaptan yararlanabilir
— Maheshwar Ligade
Bu cevap araştırmacı ve bilim adamı için değil mühendisler için daha geçerlidir
— Maheshwar Ligade
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.