Машинное обучение - это прогрессивная область как в программной, так и в академической индустрии. Я размещаю все курсы, которые вы могли бы пройти на Coursera, которые могут дать вам хорошее преимущество в изучении машинного обучения. Имейте в виду, что ML - это прикладная область, в которой вам нужно работать с данными, и вы должны реализовать то, что вы изучаете. Поэтому я настоятельно рекомендую вам использовать Kaggle, чтобы попрактиковаться в своих знаниях, используя тонны общедоступных наборов данных. Машинное обучение не так просто, вам нужны годы практики, чтобы стать ведущим инженером машинного обучения. Я делюсь своей стратегией по изучению машинного обучения с нуля, проходя онлайн-курсы на Coursera.
1) Математика: вы должны хорошо знать линейную алгебру, исчисление и статистику и вероятность. Чтобы изучить их, вы можете пройти следующие курсы на Coursera.
- Введение в дискретную математику для специализации по информатике: Эта специализация даст вам обзор базовой математики, которую вы уже изучали на курсах бакалавриата. Просто просмотрите их.
- Математика для специализации машинного обучения. Эта специализация научит вас векторам, матрицам, исчислению и основным вещам, которые потребуются для начала машинного обучения. Для прохождения этой специализации у вас должен быть базовый уровень Python.
- Математика для специализации Data Science: Эта специализация посвящена статистике и вероятности с использованием Python. Перед запуском необходимо пройти специализацию python-3.
2) Программирование: вы можете использовать разные языки программирования для изучения ML, но я даю ресурсы только для Python, потому что я работаю с ним.
- Специализация Python для всех. Эта специализация дает вам самые базовые знания Python. Вы можете игнорировать это, если уже знаете, как работает синтаксис Python.
- Специализация по программированию на Python 3. Это очень важно выполнить перед запуском машинного обучения. Эта специализация даст вам отличное представление о преимуществах Python в области машинного обучения.
- Статистика со специализацией на Python: Эта специализация научит вас, как библиотеки Python работают в области статистики. Этот курс в основном посвящен науке о данных.
- Прикладная наука о данных со специализацией на Python: Эта специализация - один из лучших ресурсов для начала работы в области науки о данных. Они научат современные инструменты Python работать с обработкой данных. Мне эта очень понравилась.
3) Алгоритмы машинного обучения: Теперь вы готовы изучать алгоритмы машинного обучения. Вы должны помнить, что прежде чем что-то внедрять, вам нужно сначала узнать, как все работает. Так что теория играет важную роль.
- Специализация по глубокому обучению:. Эта специализация является наиболее популярными ресурсами по машинному обучению в Интернете. Его проинструктировал Эндрю Нг. Вы никогда не пожалеете об этом.
- Специализация машинного обучения: Я нашел это очень интересной и информативной специализацией по машинному обучению. Вы будете удивлены, выполнив последний проект. Отличное представление.
- Машинное обучение: Алгоритмы в специализации реального мира: эта специализация немного продвинута, вы узнаете о реальных приложениях машинного обучения.
- Практическая специализация TensorFlow:. Tensorflow разработан Google и в настоящее время является одним из самых популярных инструментов машинного обучения под руководством лидера Google в области искусственного интеллекта. Вы узнаете, как реализовать свои идеи с помощью TensorFlow. Не забудьте использовать Google Colab.
- Продвинутая специализация машинного обучения: Боже мой, это самая сложная серия машинного обучения, которую я когда-либо изучал. Это очень продвинутая специализация. Но вы никогда не станете сильным, если не столкнетесь с самыми трудными вещами в своей жизни.
Я не эксперт, но такой же ученик, как ты. Так чего же вы ждете? Начни прямо сейчас.
