Tôi cần học gì để học máy?


9

Bắt đầu từ năm ngoái, tôi đã nghiên cứu nhiều môn học khác nhau để hiểu một số luận điểm quan trọng nhất về học máy như

S. Hồ Chí Minh, & J. Schmidhuber. (1997). Trí nhớ ngắn hạn . Tính toán thần kinh, 9 (8), 1735-1780.

Tuy nhiên, do tôi không có bất kỳ nền tảng toán học nào, tôi bắt đầu học các môn như

  • Giải tích
  • Tính toán đa biến
  • Anaylsis toán học
  • Đại số tuyến tính
  • Phương trình vi phân
  • Real Anaylsis (Lý thuyết đo lường)
  • Xác suất và thống kê sơ cấp
  • Thống kê toán học

Ngay bây giờ, tôi không thể nói rằng tôi đã nghiên cứu những môn học đó một cách nghiêm ngặt, nhưng tôi biết những môn học ở trên muốn giải quyết. Vấn đề là tôi không biết mình phải làm gì vào thời điểm này. Có nhiều môn học mà máy học sử dụng để giải quyết nhiều vấn đề ngoài kia và tôi không biết cách sử dụng chúng một cách chính xác.

Ví dụ, học tăng cường hiện là một trong những chủ đề phổ biến nhất mà hàng trăm ngàn nhà nghiên cứu hiện đang thực hiện nghiên cứu của họ để tạo ra một bước đột phá về lời nguyền của chiều. Nhưng, là một nhân viên tương lai sẽ làm việc trong các công ty CNTT, nhiệm vụ trên bàn sẽ không phải là điều tôi mong đợi sẽ làm.

Có quan trọng để có chuyên môn riêng của tôi để làm việc trong các lĩnh vực? Nếu vậy, những loại môn học nào tôi phải học ngay bây giờ?

Để thuận tiện cho bạn, tôi muốn biết thêm về quy trình Markov và quy trình quyết định của Markov.


1
Tôi sẽ nói rằng nếu bạn hiểu mọi thứ trong bài báo LSTM đó, bạn ít nhiều đã có tất cả "điều kiện tiên quyết" để theo đuổi sự nghiệp của mình trong ML. Tất nhiên, bạn sẽ tìm thấy các khái niệm mới (mọi người làm) theo cách của bạn, nhưng bạn sẽ có thể đối phó với chúng (bằng cách tự mình thực hiện một số nghiên cứu). Markov xử lý và MDP không thực sự là một vấn đề lớn, nếu bạn hiểu bài báo LSTM.
nbro

Câu trả lời:


4

Là một sinh viên thạc sĩ về Trí tuệ nhân tạo, tôi thực sự khuyên bạn nên nghiên cứu một số điều cơ bản trong Học máy.

Để làm điều đó, bạn có thể có được một cuốn sách hay ( Machine Learning , Tom Mitchell, McGraw Hill, 1997) cho lý thuyết và thực hành bằng cách tự mình thử một số cuộc thi Kaggle .

Tôi đã gợi ý cuốn sách của Mitchell vì anh ấy là một chuyên gia trong lĩnh vực này, và rất nhiều khóa học về Machine Learning sử dụng cuốn sách của anh ấy. Bạn cũng có thể theo dõi video trực tuyến của anh ấy

Trên Kaggle, bạn có thể tìm thấy nhiều hướng dẫn hữu ích (được đặt tên là Notebook) để bắt đầu làm việc với các bộ dữ liệu có sẵn. Một số hướng dẫn về Thử thách Titanic tại đây


5

Trên thực tế, bạn không cần một nghiên cứu nghiêm ngặt về các môn học này để thực hiện Thuật toán học máy. Chỉ có lý thuyết xác suất cần được xử lý nghiêm ngặt trong Machine Learning. Bạn có thể tìm thấy một loạt các bài giảng lý thuyết xác suất rất tốt ở đây:

Giới thiệu Xác suất - Khoa học về sự không chắc chắn

Ngoài ra, một khóa học cơ bản về Giải tích sẽ đủ, đối với các triển khai cơ bản, bạn không thực sự cần hiểu về Giải tích cấp độ cao trừ khi bạn muốn thực hiện một kế hoạch cập nhật trọng lượng phù hợp hoặc Mạng lưới thần kinh với một cái gì đó mới. Nhưng để có được trực giác về Giải tích, hãy xem Khan Academy: Giải tích

Một số ý tưởng cơ bản của Đại số tuyến tính là đủ, chỉ để hình dung mọi thứ và có được một trực giác. Học viện Khan có một khóa học tuyệt vời về điều này, tôi khuyên bạn nên kiểm tra nó: Đại số tuyến tính

Vì, đối với các ngôn ngữ lập trình Machine Learning hoặc NEural Nets là tốt nhất để triển khai trong Python hoặc R vì trực quan hóa dữ liệu và lập trình trong chúng là khá dễ dàng.

Điều chính của việc triển khai Mạng lưới thần kinh và học máy là thực hành, bạn càng thực hành nhiều thì bạn càng nhận được nhiều hơn. Bạn cũng sẽ có được một trực giác về những gì bạn đang làm với thực tế. Chỉ đọc lý thuyết và hiểu các khái niệm sẽ không giúp bạn. Bạn phải thực hiện nó trong cuộc sống thực. Theo như cuốn sách bạn có thể xem câu trả lời của tôi ở đây:

Các nguồn lý thuyết AI / Công cụ / Ứng dụng được xem xét kỹ lưỡng cho một lập trình viên có kinh nghiệm mới tham gia vào lĩnh vực này?


3

Tôi thấy các mô hình thống kê rất hữu ích. Tuy nhiên, thống kê tự nó không đủ, bạn cũng cần một nền tảng rất vững chắc trong lý thuyết xác suất.


1

học những điều cơ bản của trăn trước. Bắt đầu với định lý baye, sau đó chuyển đến 1) hàm mật độ xác suất 2) hàm mật độ tích lũy 3) hàm liên tục 4) định lý giới hạn trung tâm.


Bên cạnh đó, bạn có nghĩ rằng việc học lý thuyết xác suất trình độ sau đại học là rất quan trọng để xem một số luận điểm nâng cao về học máy? Ngoài ra, giả sử rằng tôi biết tất cả những điều trên (tôi không có ý thô lỗ nhưng, thành thật mà nói, tôi biết sự khác biệt giữa tính liên tục và tính liên tục thống nhất, pdf, cdf, mgf và v.v.) nghĩ rằng điều quan trọng là học quy trình markov để thực hiện một chương trình cấp sản xuất?
Cơn gió

1

Đầu tiên, một nền tảng nhanh chóng về tôi. Tôi là một sinh viên dự bị tốt nghiệp đại học với bằng Sinh lý học. Sau khi làm việc chăm chỉ và ra quyết định thông minh, giờ đây tôi là kỹ sư phần mềm AI / ML với bằng Thạc sĩ Khoa học Máy tính (chuyên ngành về Học máy).

Có quan trọng để có chuyên môn riêng của tôi để làm việc trong các lĩnh vực?

Vâng, hoàn toàn, nhưng không nhất thiết phải trong một bối cảnh chuyên nghiệp. Bạn không cần phải được tuyển dụng như một kỹ sư phần mềm học máy, nhưng cần phải thể hiện sự thành thạo với lĩnh vực này. Đó là một sự khác biệt lớn cho phần thứ hai của câu hỏi của bạn ...

Nếu vậy, những loại môn học nào tôi phải học ngay bây giờ?

Họ không phải là một chủ đề bạn nên tập trung. Học máy là sự kết hợp của nhiều lĩnh vực khác nhau và sẽ không hiệu quả nếu chỉ tập trung vào một lĩnh vực trước khi đi sâu vào thực hành kỹ lưỡng hơn. Thay vào đó, hướng dẫn và thực hành là tên của trò chơi.

  • 3Blue1Brown trên Youtube cung cấp các hướng dẫn tuyệt vời, đặc biệt là trên các mạng lưới thần kinh
  • Khan Academy là một ơn trời khi nói đến hướng dẫn toán học. Đại số tuyến tính và Xác suất / Thống kê là tốt nhất để bắt đầu, tôi nói. Nhưng tính toán đa biến và phương trình vi phân cuối cùng cũng được sử dụng.
  • Udacity là một trang web hướng dẫn tuyệt vời thậm chí cung cấp các chương trình "nanodegree" để giúp bạn có thêm kinh nghiệm về trí tuệ nhân tạo và học máy. Nó là miễn phí nếu bạn chỉ muốn xem video.
  • OpenAIGym là một nơi tuyệt vời để thực hành Học tập Củng cố
  • Kaggle có các hướng dẫn tuyệt vời về học máy và các cuộc thi của họ cung cấp thực hành tuyệt vời với việc học có giám sát / không giám sát.

Bổ sung cho sự phát triển của bạn trong lý thuyết và nền tảng toán học với sự phát triển và thực hành thực hành để đạt được kết quả tốt nhất. Bạn đề cập đến một trọng tâm cụ thể về MDP, trong đó các hướng dẫn về Udacity và OpenAIGym đều mang lại sự thực hành tuyệt vời.

Nếu bạn quan tâm đến Bằng Thạc sĩ, tôi không thể giới thiệu đủ Thạc sĩ Trực tuyến về Khoa học Máy tính ( OMSCS ) của Georgia Tech . Đó là một nền giáo dục tuyệt vời và (khi tôi đã đăng ký vào năm 2015) không yêu cầu GRE và chỉ tốn khoảng $ 8000,00


-1

Học máy học trong 3 tháng

Đây là Chương trình giảng dạy "Học máy học trong 3 tháng" video này của Siraj Raval trên Youtube

Tháng 1

Tuần 1 Đại số tuyến tính

https://www.youtube.com/watch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab https://ocw.mit.edu/cifts/mathatures/18-06-linear-

Tính toán tuần 2

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

Xác suất tuần 3

https://www.edx.org/c thuyết / intributiontion-probability-science-mitx-6-041x-2

Thuật toán tuần 4

https://www.edx.org/cference/alerskym-design-analysis-pennx-sd3x

Tháng 2

Tuần 1

Học python cho khoa học dữ liệu

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

Toán học thông minh

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

Giới thiệu về dòng chảy

https://www.youtube.com/watch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME361DsI468AB0wQsMV

Tuần 2

Giới thiệu về ML (Độ bền) https://eu.udacity.com/cference/intro-to-machine-learning--ud120

Tuần 3-4

Ý tưởng dự án ML https://github.com/NirantK/awclaw-project-ideas

Tháng 3 (Học sâu)

Tuần 1

Giới thiệu về Deep Learning https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

Tuần 2

Học sâu bằng Fast.AI http: //c thuyết.fast.ai/

Tuần 3-4

Triển khai lại các dự án DL từ github của tôi https://github.com/llSourcell?tab=reposeocate


Tài nguyên bổ sung:
- Mọi người trong ML để theo dõi trên Twitter


1
Vâng, tôi có thể cho bạn biết lý do tại sao tôi đánh giá thấp câu trả lời này. 1) Tôi không nghĩ bạn có thể học máy học tốt trong 3 tháng, bằng cách nghiên cứu các điều kiện tiên quyết. 2) Mọi người đều có tốc độ riêng khi học, vì vậy hạn chế việc học trong 3 tháng không phải là ý kiến ​​hay. 3) Bạn đang liên kết mọi người với các nguồn khác mà không giải thích lý do.
nbro

Chúng tôi không thể là một PRO nhưng ít nhất là Nuance để thực hiện một số và tiến hành một số cuộc thi ML. Nếu tôi đặt một liên kết tôi đã đề cập ở đó những gì bạn sẽ nhận được từ liên kết đó. Ngoài ra mỗi người đều có tốc độ học tập riêng, tôi cũng đồng ý với quan điểm đó nhưng bạn có thể làm bẩn tay trong ba tháng này. Đây là câu trả lời rất chung chung được đưa ra xem xét không có ai biết gì nhưng họ chỉ muốn bắt đầu và có được sự tự tin sau đó họ có thể bắt đầu đào sâu hơn.
Ligade Maheshwar

@nbro Nếu tôi đồng ý với quan điểm của bạn, mọi người đều có tốc độ học tập riêng thì ít nhất ít người có thể tận dụng câu trả lời này
Maheshwar Ligade 20/2/19

Câu trả lời này được áp dụng nhiều hơn cho các kỹ sư không dành cho nhà nghiên cứu và nhà khoa học
Maheshwar Ligade 20/2/19
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.