МЛ КИКСТАРТ….
Для нас достаточно поисковых систем, чтобы знать определение машинного обучения, поэтому его определение в моем блоге может быть бесполезным. ОСТАВАЙТЕСЬ СО МНОЙ НА ЭТОЙ СТРАНИЦЕ, И У ВАС МОЖЕТ БЫТЬ ДОСТАТОЧНО ЗНАНИЙ, ЧТОБЫ НАЧАТЬ СОБСТВЕННЫЙ ПРОЕКТ ML.
ДЕЙСТВИЯ:
- ИЗУЧАЙТЕ ЯЗЫК: Это необходимо, так как нам нужно общаться с компьютером. В моем случае Python был в тренде (как мы следуем), поэтому мне пришлось его выучить (вы также можете установить тренд, изучая другие!!)
- ИЗУЧИТЕ ВАЖНЫЕ БИБЛИОТЕКИ: в случае с python вы должны изучить некоторые из них, такие как pandas, numpy, Matplotlib, seaborn, sklearn… и т. д.
- СТАТИСТИКА: Поскольку машинное обучение — это работа с данными, я бы сказал, что статистика окажет большое влияние на ход процесса. (YouTube — лучший источник)
- АЛГОРИТМЫ: Их множество (в зависимости от постановки задачи). Вы можете изучить их на YouTube (бесплатно), просто введите АЛГОРИТМЫ ML, с которых у вас есть несколько для начала.
- ЗАНИМАЙТЕ ВРЕМЯ: Эти (АЛГОРИТМЫ) не слишком сложны (или) не слишком просты; так что просто сохраняйте мотивацию и не сдавайтесь. (ДЕЛАТЬ ЗАПИСКИ и т. д.)
ТЕПЕРЬ, КАК У ВАС ЕСТЬ ОСНОВНОЕ ПОНЯТИЕ ОБ АЛГОРИТМЕ И СТАТИСТИКЕ, ДАВАЙТЕ НАЧНЕМ
ШАГИ:
- ОЧИСТКА ДАННЫХ (включает проверку несбалансированного набора данных, обработку нулевых и категориальных значений)
- ФУНКЦИОНАЛЬНОЕ МАСШТАБИРОВАНИЕ И ВЫБОР.
- МОДЕЛИРОВАНИЕ
- ВЫБОР ПРАВИЛЬНОЙ ПОКАЗАТЕЛИ
- НАСТРОЙКА МОДЕЛИ
ЭТО БЫЛИ НЕКОТОРЫЕ ОСНОВЫ ДЛЯ МАШИННОГО ОБУЧЕНИЯ.
ПОЖАЛУЙСТА, ПРОВЕРЬТЕ МОЙ GITHUB (я знаю, что вы открываете !! спасибо!)
ВЫВОД: ЭТО РУКОВОДСТВО ДАЛО (Я надеюсь!!) ДОСТАТОЧНО ДЛЯ ВАС ЗНАНИЙ, ЧТОБЫ НАЧАТЬ ПРОЕКТ. ТАК ЗАЧЕМ ЖДАТЬ?? ДАВАЙТЕ К ДАННЫМ :)
ЕСЛИ ВЫ ЗАШЛИ ЭТО ДАЛЕКО, СПАСИБО И ВОТ ВАШ ПОДАРОК:
СОВЕТ ДЛЯ ПРОФЕССИОНАЛОВ: РАЗДЕЛИТЕ НАБОР ДАННЫХ НА TRAIN И ПРОВЕРЬТЕ ПЕРЕД ЗАГРУЗКОЙ НАБОРОВ ДАННЫХ, ТАК ЧТО ЭТО ПРЕДОТВРАТИТ УТЕЧКУ ДАННЫХ, И, СЛЕДОВАТЕЛЬНО, МОДЕЛЬ БУДЕТ ПОДДЕРЖИВАТЬ СВОИ ПОКАЗАТЕЛИ ДАЖЕ ПРИ РАЗВЕРТЫВАНИИ.
СПАСИБО ЗА ПРЕКРАСНОЕ ВРЕМЯ!!