Итог всего курса. Курс затрагивает основы машинного обучения и является отличной отправной точкой для начинающих, желающих погрузиться в мир машинного обучения. Как новичок, не имеющий практического опыта в машинном обучении, я нашел курс хорошо объясненным и разумным.
Курс начинается с контролируемого обучения. Обучение с учителем — это, по сути, способ создания уравнения на основе реальных данных и результатов. Как только это уравнение будет создано, мы можем предоставить новые данные реального мира, и уравнение сообщит нам прогнозируемые результаты. Это самая простая форма машинного обучения.
В контролируемом обучении есть классификация, которая пытается предсказать дискретные результаты на основе входных данных. Это может быть дождь в ближайшие несколько дней. В качестве альтернативы существует регрессия, которая пытается предсказать непрерывный вывод на основе входных данных. Например, прогнозирование результатов тестов учащихся на основе количества сна, которое они получили прошлой ночью. Первый использует логистическую регрессию, а второй использует линейную регрессию. Кроме того, есть нейронные сети, которые можно рассматривать как несколько небольших уравнений, вписывающихся в большее уравнение.
С другой стороны, неконтролируемое обучение начинается на 8-й неделе. По сути, это тренировка уравнения, чтобы предоставить нам кластеры на основе реальных данных, которые мы предоставляем. Например, предсказание различных размеров рубашки на основе роста и веса группы людей. Размеры рубашки, которые необходимо определить, определяются пользователем. Если пользователь хочет продать 2 размера рубашки, данные можно разделить на маленькие и большие. Если доступны 5 размеров рубашки, данные можно разделить, например, на очень маленький, маленький, средний, большой и очень большой. Различные алгоритмы, представленные в рамках неконтролируемого обучения, представляют собой кластеризацию и обнаружение аномалий.
Существуют и другие аспекты реализации машинного обучения, которые тщательно изложены, включая предвзятость и дисперсию, SVM и линейную регрессию, синтаксис Matlab и количество функций и количество обучающих примеров.
Это общий план курса. Более подробную информацию можно найти непосредственно на странице курса:
https://www.coursera.org/learn/machine-learning
Неделя 1:
- Добро пожаловать
- Линейная регрессия с одной переменной
- Обзор линейной алгебры
Неделя 2:
- Линейная регрессия с несколькими переменными
- Учебник Octave/Matlab
Неделя 3:
- Логистическая регрессия
- Регуляризация
Неделя 4:
- Представление нейронной сети
Неделя 5:
- Обучение нейронной сети
Неделя 6:
- Советы по изучению машинного обучения
- Проектирование системы машинного обучения
Неделя 7:
- Опорные векторные машины
Неделя 8:
- Неконтролируемое обучение
- Уменьшение размерности (PCA)
Неделя 9:
- Обнаружение аномалий
- Рекомендательные системы
Неделя 10:
- Крупномасштабное машинное обучение
Неделя 11:
- Распознавание фотографий
Это краткий визуальный обзор темы, изучаемой в этом курсе. Есть много других мелких деталей, которые Эндрю подробно объясняет с четкими и краткими пояснениями.
Дополнительные ресурсы:
Обсуждение между машинами опорных векторов и логистической регрессией:
Матлаб и Октава:
Общий обзор машины:
Краткий интерактивный курс по нейронным сетям:
Надеюсь, вам понравится курс!
