Acabo de fer el curs per a desenvolupadors de Google Machine Learning Crash Course. Un curs d'introducció, on et donen els conceptes bases i veus exemples d'implementacions reals amb TensorFlow. Aquests exemples són els que m'han animat a fer-ho.
Crash vs Machine Learning Coursera
Es tracta d'un curs molt més senzill que el de Machine Learning de Coursera i més pràctic. Diguem que el curs de Coursera se centra que entenguis com funcionen matemàticament els algoritmes mentre que en el Crash de Google aquests algoritmes són gairebé com caixes negres, et donen un petita explicació i t'ensenyen a implementar-lo amb Tensor Flow.
I aquesta és la gran diferència. El curs de Google tot i explicar amb molta menys profunditat els diferents conceptes i algoritmes de Machine Learning, ens ensenya a aplicar-los ia començar a utilitzar TensorFlow i Keras.
Tots els exercicis es fan amb Google Colab, Amb el que ja tenim l'entorn de desenvolupament preparat. És una gran diferència amb el curs de Cursera que es treballa amb Matalab o Octave per implementar els algoritmes. Però no es veu res de Tensorflow ni d'com solucionar un problema real.
Citant el meu comentari en la ressenya d'aquest curs
És bastant teòric. Però potser per això em sembla una bona forma d'iniciar-se perquè no només vas a aprendre què fer sinó per què ho fas.
- Quan triar un algoritme o un altre.
- Com triar i definir els diferents paràmetres.
- Quins problemes poden sorgir amb els algoritmes i sobretot quines mesures prendre.
El curs de Machine Learning Crash de Google pots fer-ho tot i no tindre un gran nivell de matemàtiques, el de Coursera d'Andrew Ng no
Temari: Què es veu en el curs
Primer es comença per una explicació de l'o que és el Machine Learning, principals conceptes i tipus de problemes. I amb això ja passa parlar dels següents punts. Perdoneu que hagi molt terme en anglès, però el curs és en anglès (tot i que és molt senzill seguir-lo) i molts de les keys o no tenen traducció, o a l'traduir perd el sentit, perquè en el context de l'Machine Learning tot el món i en tots els llocs els diuen en anglès.
- Linear Regression o Regressió lineal
- Squared loss: a popular loss function
- Gradient descendent i gradient descendent estocàstic
- Learning rate o taxa d'aprenentatge.
- generalització
- Abastament excessiu
- Validation setembre
- Feature crossing amb el crossing one-hot vectors
- Nolinearialitats
- Regularització (simplicity and sparcity) (L1 and L2)
- regressió logística
- Classificació
- Accuracy, precisió and Recall
- ROC Curve and AUC
- Xarxes neuronals (Training, One vs All, Softmax)
- embeddings
Com He dit es treballa amb Google Col·lab.
Per a qui és
Si estàs començant i vols aprendre a implementar exemples senzills. És una bona forma d'iniciar-se.
Són 15 hores de curs que pots fer al teu ritme, i encara que hi ha exercicis no necessites fer lliuraments ni passar cap test.
El curs és gratuït.
¿I ara què?
Com són ràpids segurament miraré la resta que tenen a Google.
A més de seguir provant alguns dels cursos que hem deixat en el llistat per veure com són i si faig algun seriosament que sigui ja més avançat.
Tinc un projecte seriós en marxa per a la creació d'una eina a la feina i el que necessito ara és començar a aplicar tot el que he après en aquest temps i barallar-me amb els problemes reals.
Aniré informant al blog de les meves progressos.
