Crashkurs für maschinelles Lernen

Rezension und Meinung zum Google-Kurs für maschinelles Lernen

Ich habe gerade den Entwicklerkurs gemacht für Crashkurs für Google Machine Learning. Ein Einführungskurs, in dem sie Ihnen die grundlegenden Konzepte vermitteln und Beispiele für reale Implementierungen mit TensorFlow sehen. Diese Beispiele haben mich dazu ermutigt.

Crash vs. Machine Learning Coursera

Es ist ein viel einfacherer Kurs als der von Coursera Maschinelles Lernen und praktischer. Nehmen wir an, der Coursera-Kurs konzentriert sich darauf, dass Sie verstehen, wie Algorithmen mathematisch funktionieren, während diese Algorithmen in Googles Crash fast wie Black Boxes sind. Sie geben Ihnen eine kleine Erklärung und zeigen Ihnen, wie Sie sie mit Tensor Flow implementieren.

Und das ist der große Unterschied. Der Google-Kurs lehrt uns, obwohl die verschiedenen Konzepte und Algorithmen des maschinellen Lernens viel weniger ausführlich erklärt werden, diese anzuwenden und mit der Verwendung von TensorFlow und Keras zu beginnen.

Alle Übungen werden mit gemacht Google Colab, mit dem wir bereits die Entwicklungsumgebung vorbereitet haben. Es ist ein großer Unterschied zum Cursera-Kurs, der mit Matalab oder Octave arbeitet, um die Algorithmen zu implementieren. Sie sehen aber nichts von Tensorflow oder wie man ein echtes Problem löst.

Ich zitiere meinen Kommentar in der Rezension dieses Kurses

Es ist ziemlich theoretisch. Aber vielleicht scheint es deshalb ein guter Anfang zu sein, weil Sie nicht nur lernen werden, was zu tun ist, sondern auch, warum Sie es tun.

- Wann man den einen oder anderen Algorithmus wählt.

- Wie man die verschiedenen Parameter auswählt und definiert.

- Welche Probleme mit den Algorithmen auftreten können und vor allem welche Maßnahmen zu ergreifen sind.

Der Machine Learning Crashkurs von Google kann auch ohne hohe Mathematikkenntnisse absolviert werden, der Coursera von Andrew Ng nicht

Agenda: Was im Kurs zu sehen ist

Einführungskurs in maschinelles Lernen

Zuerst beginnen Sie mit einer Erklärung, was Machine Learning ist, die wichtigsten Konzepte und Arten von Problemen. Und damit ist es an der Zeit, über die folgenden Punkte zu sprechen. Verzeihen Sie, dass es viele Begriffe im Englischen gibt, aber der Kurs ist auf Englisch (obwohl es sehr einfach ist, ihm zu folgen) und viele der Schlüssel haben entweder keine Übersetzung oder wenn sie übersetzt werden, verlieren sie ihren Sinn, weil im Kontext von Machine Learning jeder und auf allen Sites auf Englisch.

  • Lineare Regression oder Lineare Regression
  • Quadratischer Verlust: eine beliebte Verlustfunktion
  • Gradient Down und Gradient Stochastic Down
  • Lernrate oder Lernrate.
  • Verallgemeinerung
  • Überanpassung
  • Validierungssatz
  • Merkmalskreuzung mit den sich kreuzenden One-Hot-Vektoren
  • Nolinearitäten
  • Regularisierung (Einfachheit und Sparcity) (L1 und L2)
  • Logistische Regression
  • Klassifizierung
  • Genauigkeit, Präzision und Rückruf
  • ROC-Kurve und AUC
  • Neuronale Netze (Training, One vs All, Softmax)
  • Einbettungen

Wie gesagt, es funktioniert mit Google Colab.

Für wen es ist

Wenn Sie am Anfang stehen und lernen möchten, einfache Beispiele zu implementieren. Es ist ein guter Einstieg.

Es gibt 15 Stunden, die Sie in Ihrem eigenen Tempo machen können, und obwohl es Übungen gibt, müssen Sie keine Lieferungen machen oder Tests bestehen.

Der Kurs ist kostenlos.

Und jetzt das?

Da sie schnell sind, werde ich mir den Rest sicherlich bei Google ansehen.

Neben dem weiteren Testen einiger der Kurse, die wir in der Liste gelassen haben zu sehen, wie sie sind und wenn ich etwas ernsthaft mache, ist das schon weiter fortgeschritten.

Ich habe bei der Arbeit ein ernsthaftes Projekt zur Erstellung eines Tools im Gange und was ich jetzt brauche, ist, alles anzuwenden, was ich in dieser Zeit gelernt habe, und mit den wirklichen Problemen zu kämpfen.

Ich werde weiterhin über meine Fortschritte im Blog berichten.

Hinterlassen Sie einen Kommentar