1. Машинное обучение ---xiaoming

Анализ книги "Практическое машинное обучение", исходный код и загрузка данных

Книга "Практическое машинное обучение"

Подробный анализ исходного кода

Загрузка исходного кода и данных

Советы по машинному обучению

Поискать в WeChat: 'AI-ming3526' или 'Это небольшое дело компьютерного зрения' для получения дополнительной информации по компьютерному зрению и машинному обучению.

csdn: https://blog.csdn.net/baidu_31657889/

Для изучения машинного обучения требуется определенная математическая подготовка, но это всего лишь базовая математическая подготовка. Не пугайтесь этих материалов, вы все равно будете справляться. Я опишу, как я считаю, что следует учиться машинному обучению, на основе своего опыта.

Во-первых, нужно сделать два отказа:

1. Отказаться от огромного количества материалов!Да, именно из-за огромного количества материалов! Когда мы хотим начать изучать машинное обучение, мы часто собираем множество материалов, таких как внутренние ресурсы по машинному обучению xx-института, материалы по машинному обучению от начального уровня до продвинутого уровня, объемом в 100 ГБ, учебные материалы по искусственному интеллекту xx, и так далее. Часто мы собираем десятки гигабайт или сотни гигабайт материалов и аккуратно загружаем их на облачное хранилище, ожидая изучить их в будущем. Однако, как правило, 90% людей просто собирают и сохраняют эти материалы, а затем забывают о них через год или два. Материалы, хранящиеся в облачном хранилище, часто являются лишь самоуспокоением большинства людей, что они "всегда будут учиться", и "само" ощущением безопасности. Кроме того, перед лицом огромного количества учебных материалов, легко попасть в состояние растерянности, и самое прямое ощущение — это: "О боже, столько всего нужно изучить!" "О боже, столько всего еще не изучено!" В общем, чем больше выбор, тем легче оказаться в ситуации, когда выбор становится невозможным.Поэтому, первым шагом должно быть отказ от огромного количества материалов! Вместо этого следует выбрать материалы, которые действительно подходят вам, и тщательно изучить их!## 2. Отказаться от обучения с нуля!

Когда речь идет о начале обучения, многие люди думают, что им нужно начать с самых основ. Машинное обучение — это сложная технология, которая объединяет вероятностные методы, линейную алгебру, выпуклую оптимизацию, компьютерные науки и нейронауки. Изучение машинного обучения требует значительного количества теоретических знаний. Некоторые люди, у которых не самая прочная база, могут решить начать с самых фундаментальных знаний: теории вероятностей, линейной алгебры, вывода формул выпуклой оптимизации и т. д. Однако такой подход имеет недостатки: он может занять много времени и привести к "усталости от учебы", что снижает мотивацию к обучению. Просмотр книг и вывод формул могут быть довольно скучными, в отличие от создания простой модели регрессии, которая может быть более мотивирующей. Однако это не означает, что фундаментальные знания не важны! Просто лучше сначала получить общее представление о структуре и архитектуре машинного обучения, а затем переходить к практическим аспектам и теории, чтобы устранять пробелы в знаниях целенаправленно. Переход от общего к частному, от целого к деталям, способствует быстрому освоению машинного обучения. Кроме того, с точки зрения мотивации, это также создает "положительный feedback".

3. Введение в машинное обучение: учебный маршрутТеперь, когда мы обсудили два "сбоя" перед началом изучения машинного обучения, давайте рассмотрим учебный маршрут для начинающих.

3.1 Математическая подготовка

По моему мнению, необходимая математическая подготовка включает теорию вероятностей, матричную теорию и дифференциальное исчисление. Если у вас нет этих знаний, не беда, вы можете учиться по ходу изучения, а неизвестные вам термины можно просто посмотреть в интернете.

Бесплатные математические уроки - Khan Academy

3.2 Основы машинного обучения

Уроки профессора Ананд Ананджита безусловно являются классикой

Бесплатные уроки по машинному обучению и глубокому обучению - Ананд Ананджита

Практическое машинное обучение (книга)

Практическое машинное обучение (видео)

3.3 Уровень продвинутый

После завершения указанных выше курсов вы сможете считаться начинающим в области машинного обучения. Далее вы можете углубиться в изучение в зависимости от ваших интересов и направлений. Например, если вы хотите сосредоточиться на компьютерном зрении (CV), вы можете продолжить изучение курса CS231n из Стэнфордского университета:

CS231n: Нейронные сети для визуального распознавания

Если вы специализируетесь в области NLP, можно изучить курс CS224n по глубокому обучению для обработки естественного языка от Стэнфордского университета:

CS224n: Обработка естественного языка с использованием глубокого обучения

Конечно, лекции по NLP от профессора Ли Хун-И из Национального Тайваньского Университета также очень хороши:

Hung-yi Lee

Конечно, эти курсы есть и на китайских платформах, где их перевели на китайский язык (например, на Bilibili). Если вас интересует перевод, вы можете найти его самостоятельно.

2. Глубокое обучение kaijie-guoобучение NLP

Проектные руководители

машинное обучение

@xiaoming3526

глубокое обучение

@guokaijie

Отказ от ответственности - [Только для учебных целей]

• Этот проект создан исключительно для учебных целей