Pembelajaran mesin

Kecerdasan buatan, pembelajaran mesin, pembelajaran mendalam. semua adalah konsep yang semakin populer. Sepertinya sesuatu dari masa depan, tetapi itu semakin banyak digunakan di semua bidang kehidupan. Tidak hanya di Internet, tidak hanya di computer vision. Mereka mendiagnosis penyakit, mengoptimalkan masalah, mengendarai mobil, dan sejumlah hal lainnya.

Apa yang akan kita bicarakan

Kami tidak akan mempublikasikan berita. Kami akan mencoba mendapatkan informasi yang berguna seperti biasa di Ikkaro. Mengumpulkan alat, mencoba menjelaskan konsep, melakukan contoh Machine Learning. Aplikasi di berbagai bidang, seperti IoT, dan lembar data menarik apa pun yang Anda temukan.

Saya bukan seorang ahli. Saya sedang dalam proses belajar tetapi saya rasa saya dapat menyumbangkan pengetahuan yang saya peroleh dan meningkatkannya.

Kursus untuk mempelajari Pembelajaran Mesin, Pembelajaran Mendalam, dan Kecerdasan Buatan

kursus tentang pembelajaran mesin, pembelajaran mendalam. Pentingnya data

Ini adalah sumber daya terbaik yang saya temukan untuk mempelajari tentang Pembelajaran Mesin, Pembelajaran Mendalam, dan topik Kecerdasan Buatan lainnya.

Ada kursus gratis dan berbayar dan tingkat yang berbeda. Tentu saja, meskipun ada beberapa dalam bahasa Spanyol, kebanyakan dalam bahasa Inggris.

Kursus gratis

Sebagai permulaan

Saya membaginya menjadi kursus singkat (dari 1 hingga 20 jam). Ini untuk kontak pertama dengan subjek.

Pengenalan ke Machine Learning oleh Kaggle Singkat, hanya 3 jam
Kursus Machine Crash Learning oleh Google dengan TensorFlow API (15 jam)
Pengantar Deep Learning oleh Kaggle 4 jam untuk mempelajari DL dan TensorFlow. Pelajari ide utama Machine Learning dan buat model pertama Anda.
Visi IA Kelas Stanford daftar kelas Stanford di YouTube untuk mempelajari computer vision dan AI (20 jam)
Pengantar Pembelajaran Jauh oleh MIT. Ini hanya untuk siswa atau mantan siswa tetapi kita dapat melihat video kelas.
Elemen AI. Pengenalan gratis untuk pakar Kecerdasan Buatan untuk NON oleh Universitas Helsinki.

Membaca

Bagaimana mengkonversi tabel dari PDF ke Excel atau CSV dengan Tabula

Melihat data historis yang ditawarkan oleh observatorium meteorologi di kota saya, saya melihatnya mereka hanya menawarkannya dalam bentuk grafik dan untuk diunduh sebagai PDF. Saya tidak mengerti mengapa mereka tidak mengizinkan Anda mendownloadnya di csv, yang akan jauh lebih berguna untuk semua orang.

Jadi saya sudah mencari satu solusi untuk melewatkan tabel ini dari pdf ke csv atau jika seseorang ingin memformat Excel atau Libre Office. Saya suka csv karena dengan csv Anda melakukan semua yang Anda dapat menanganinya dengan python dan perpustakaannya atau Anda dapat dengan mudah mengimpornya ke spreadsheet apa pun.

Karena idenya adalah untuk mencapai proses otomatis, yang saya inginkan adalah skrip untuk bekerja dengan Python dan di sinilah Tabula masuk.

Membaca

Tutorial Anaconda: Apa itu, cara menginstalnya, dan cara menggunakannya

Anaconda Data Science, big data dan pytho, distribusi R.

Pada artikel ini saya meninggalkan file Panduan instalasi Anaconda dan bagaimana menggunakan manajer paket Conda Anda. Dengan ini kita dapat membuat lingkungan pengembangan untuk python dan R dengan pustaka yang kita inginkan. Sangat menarik untuk mulai mengotak-atik Machine Learning, analisis data, dan pemrograman dengan Python.

Anaconda adalah distribusi gratis dan Sumber Terbuka dari bahasa pemrograman Python dan R yang banyak digunakan di komputasi ilmiah (Ilmu Data Ilmu Data, Pembelajaran Mesin, Sains, Teknik, analitik prediktif, Big Data, dll).

Ini menginstal sejumlah besar aplikasi yang banyak digunakan dalam disiplin ilmu ini sekaligus, daripada harus menginstalnya satu per satu. . Lebih dari 1400 dan itu yang paling banyak digunakan dalam disiplin ilmu ini. Beberapa contoh

Numpy
Panda
Tensorflow
H20.ai
Scipy
Jupyter
Dask
OpenCV
MatplotLib

Membaca

Cara menginstal Keras dan TensorFlow dari backend di Ubuntu

cara memasang keras di ubuntu

Setelah menyelesaikan Kursus Machine Learning, Saya sedang mencari ke mana harus melanjutkan. Lingkungan pengembangan yang digunakan dalam kursus pembuatan prototipe Oktaf / Matlab bukanlah yang digunakan orang, jadi Anda harus membuat lompatan ke kualitas yang lebih tinggi. Di antara kandidat yang paling direkomendasikan kepada saya adalah Keras, menggunakan backend TensorFlow. Saya tidak akan membahas apakah Keras lebih baik daripada alat atau kerangka kerja lain atau apakah akan memilih TensorFlow atau Theano. Saya hanya akan menjelaskan bagaimana itu dapat diinstal di Ubuntu.

Pertama saya mencoba menginstalnya dari dokumentasi halaman resmi, dan itu tidak mungkin, saya selalu mengalami kesalahan, beberapa pertanyaan yang belum terselesaikan. Akhirnya aku pergi mencari tutorial khusus tentang cara memasang keras di Ubuntu Namun saya telah menghabiskan dua hari menghabiskan banyak waktu di malam hari. Pada akhirnya saya telah mencapainya dan saya meninggalkan Anda seperti yang telah saya lakukan seandainya hal itu dapat membuka jalan bagi Anda.

Karena kami akan mengikuti langkah-langkah yang direkomendasikan oleh situs web yang saya tinggalkan dari sumber di akhir tutorial, kami akan menginstal PIP yang tidak saya miliki, untuk mengelola paket. biji di linux itu, sistem manajemen paket yang ditulis dengan python.

sudo apt-get install python3-pip sudo apt install python-pip

Membaca

Saya telah menyelesaikan kursus Pembelajaran Mesin Coursera

Saya telah menyelesaikan Kursus Pembelajaran Mesin ditawarkan oleh universitas Stanford di Coursera, dan karena sudah ada beberapa yang bertanya kepada saya secara terbuka dan pribadi tentang hal itu, saya ingin menjelaskan sedikit lebih banyak apa yang tampak bagi saya dan siapa pun yang memutuskan untuk melakukannya tahu apa yang akan mereka temukan.

Ini adalah kursus gratis tentang Machine Learning, diajar oleh Andrew Ng. setelah selesai jika Anda mau, Anda dapat memiliki sertifikat yang mendukung keterampilan yang dicapai dengan € 68. Ini dibagi menjadi 3 pilar, video, Ujian atau Kuis dan latihan pemrograman. Ini dalam bahasa Inggris. Anda memiliki terjemahan dalam beberapa bahasa, tetapi bahasa Spanyol tidak terlalu bagus dan kadang-kadang ketinggalan zaman, jauh lebih baik jika Anda memasukkannya ke dalam bahasa Inggris.

Ini cukup teoretis. Tetapi mungkin itulah mengapa ini tampak seperti cara yang baik untuk memulai karena Anda tidak hanya akan mempelajari apa yang harus dilakukan tetapi mengapa Anda melakukannya.

Membaca