Току -що направих курса за програмисти за Курс за срив на машинно обучение на Google. Уводен курс, където ви дават основите и виждат примери за реални реализации с TensorFlow. Тези примери са онова, което ме насърчи да го направя.
Crash срещу машинно обучение Coursera
Това е много по -прост курс от този на Coursera Машинно обучение и по -практично. Да приемем, че курсът Coursera се фокусира върху това да разберете как алгоритмите работят математически, докато в Crash на Google тези алгоритми са почти като черни кутии, те ви дават малко обяснение и ви научават да го прилагате с Tensor Flow.
И това е голямата разлика. Курсът на Google, въпреки че обяснява много по -малко различните концепции и алгоритми на машинното обучение, ни учи да ги прилагаме и да започнем да използваме TensorFlow и Keras.
Всички упражнения се правят с google colab, с които вече имаме подготвена среда за развитие. Това е голяма разлика с курса Cursera, който работи с Matalab или Octave за прилагане на алгоритмите. Но не виждате нищо от Tensorflow или как да решите истински проблем.
Цитирам моя коментар в прегледа на този курс
Това е доста теоретично. Но може би затова изглежда добър начин да започнете, защото не само ще се научите какво да правите, но и защо го правите.
- Кога да изберете един или друг алгоритъм
- Как да изберем и дефинираме различните параметри.
- Какви проблеми могат да възникнат с алгоритмите и особено какви мерки да предприемете.
Курсът за машинно обучение за срив от Google може да се извърши дори ако нямате високо ниво на математика, Coursera от Andrew Ng не
Дневен ред: Какво се вижда в курса
Първо, започвате с обяснение какво представлява машинното обучение, основните понятия и видове проблеми. И с това е време да поговорим за следните точки. Простете, че има много термини на английски, но курсът е на английски (въпреки че е много лесно да го следвате) и много от клавишите или нямат превод, или когато са преведени, губят смисъл, защото в контекста на машинното обучение на всички и във всички сайтове ги казват на английски.
- Линейна регресия или линейна регресия
- Квадратна загуба: популярна функция за загуба
- Gradient Down и Gradient Down Stochastic
- Процент на обучение или процент на учене.
- Обобщение
- Пренастройване
- Набор за проверка
- Характеристика пресичане с пресичане на горещи вектори
- Нолинеариалности
- Регулиране (простота и рядкост) (L1 и L2)
- Логистична регресия
- Класификация
- Точност, прецизност и изземване
- ROC крива и AUC
- Невронни мрежи (Обучение, Един срещу всички, Softmax)
- Вграждане
Както казах, работи с Google Colab.
За кого е
Ако тепърва започвате и искате да се научите да прилагате прости примери. Това е добър начин да започнете.
Разбира се, има 15 часа, които можете да правите със свое собствено темпо и въпреки че има упражнения, не е нужно да правите доставки или да преминавате никакви тестове.
Курсът е безплатен.
А сега това?
Тъй като са бързи, със сигурност ще разгледам останалите, които имат в Google.
- Crash Course
- Проблеми с рамкирането
- Подготовка за данни
- Clustering
- Препоръка
- Тестване и отстраняване на грешки
- GAN
В допълнение към продължаването на тестването на някои от курсове, които сме оставили в списъка да видя как са и ако направя нещо сериозно, което вече е по -напреднало.
Имам сериозен проект за създаване на инструмент на работа и това, от което се нуждая сега, е да започна да прилагам всичко, което съм научил за това време, и да се боря с истинските проблеми.
Ще продължа да отчитам напредъка си в блога.
