Ho terminato il corso Coursera Machine Learning

Ho finito il file Corso di Machine Learning offerto dalla Stanford University su Coursera, e siccome sono già in molti che me lo hanno chiesto apertamente e privatamente, ho voluto dettagliare un po 'di più quello che mi è sembrato e che chi decide di farlo sa cosa troverà.

È un corso gratuito di Machine Learning, insegnato da Andrew Ng. una volta terminato se vuoi puoi avere un certificato che attesti le competenze raggiunte per € 68. È diviso in 3 pilastri, video, esami o quiz ed esercizi di programmazione. È in inglese. Hai i sottotitoli in diverse lingue, ma gli spagnoli non sono molto buoni ea volte sono obsoleti, molto meglio se li metti in inglese.

È abbastanza teorico. Ma forse è per questo che sembra un buon modo per iniziare, perché non solo imparerai cosa fare, ma perché lo fai.

• Quando scegliere un algoritmo o un altro.
• Come scegliere e definire i diversi parametri.
• Quali problemi possono sorgere con gli algoritmi e soprattutto quali misure adottare.

Ha molta algebra e alcuni calcoli, e vedi, mentre lo spiego, non dovrai davvero operare, non dovrai arrivare a quelle equazioni, dimostrarle o modificarle, beh, vettorizzale . Quindi, anche se il tuo livello di matematica non è buono, potresti seguire il corso, ma ovviamente, passare ore a guardare e ascoltare video in cui spiegano ogni termine come influisce e perché è lì, è difficile.

Se non sai cosa sia Machine Learning, diciamo che è una parte dell'intelligenza artificiale dedicata agli algoritmi che fanno funzionare tutto questo dalla visione artificiale, dalla classificazione dello spam, ecc., ecc.

La mia visione mi ha cambiato. Quando hai pensato a questi tipi di problemi, li hai affrontati dal punto di vista della programmazione, pensando a loop, condizioni, ecc. E sono davvero tutte funzioni, minimizzazioni di funzioni di costo, che possono essere distanze tra punti. Previsioni basate su regressioni, ecc. Ecc

Riepilogo del corso

Quindi sopra queste ci sono le parti principali del corso, divise in due, la parte con supervisione e la parte senza supervisione

Apprendimento supervisionato

• Funzione modello e costo
• Discesa del gradiente per la regressione lineare
• Regolarizzazione
• Reti neurali
• Classificazione delle macchine di grandi dimensioni e kernel
• Analisi dei componenti principali (PCA)
• Progettazione di sistemi di machine learning
• Supporto di macchine vettoriali

Apprendimento senza supervisione

• Riduzione dimensionale
• Anomaly Detection
• Sistemi di raccomandazione
• Apprendimento automatico su larga scala

Lascio le cose ma dai è la cosa principale, poi tutto si rompe.

Per esercitarti usi Matlab o Octave che potremmo dire Matlab OpenSource. Ho seguito il corso con Octave. Come indicato nei primi corsi, hanno scelto questi strumenti perché consentono la prototipazione rapida degli algoritmi. Con altri strumenti lo studente passerebbe troppo tempo a programmare.

Quello che è certo è che anche se non è facile, lasciano tutto pronto per farti finire. Hai tutto l'ambiente pronto per gli esercizi, i set di dati, le trame dei grafici, molte funzioni e variabili da utilizzare e quello che lo studente fa è compilare poche righe con gli algoritmi principali.

Ripeto, non è banale, soprattutto perché passi molto tempo a guardare come si fa qualcosa con Octave.

Applicazioni pratiche

Visualizzazione di esempi di applicazioni e cosa è possibile fare Non ho dubbi che questo sia il futuro del settore. Qualsiasi azienda finirà per implementare soluzioni con apprendimento automatico, intelligenza artificiale o come vogliamo chiamarla per migliorare le previsioni, controllare la qualità e migliorare i diversi processi di produzione. Fai attenzione che non parlo solo di applicazioni, o del mondo online, ma di aziende fisiche, servizi, produzione, logistica, ecc.

Oltre a quelli già noti, riconoscimento vocale, OCR, visione artificiale, traduttori di lingua,

Consiglia sistemi, previsioni

E ora quello

Quest'anno la mia idea è di provare a mettere in pratica quanto ho imparato creando alcuni strumenti che sarebbero di grande aiuto nel lavoro. So che non sarà facile e che dovrò familiarizzare con Python e qualche framework, beh Tensor Flow, PyTorch e una libreria come Numpy. Devo sondare il mercato.

Inoltre, vorrei approfondire il Deep Learning con il corso gratuito offerto su http://course.fast.ai/ e iniziare anche con i Big Data, un altro dei campi legati all'intelligenza artificiale e al Machine Learning e che sarebbe anche molto utile per me nel mio lavoro. Ho cercato di specializzarmi in Coursera Big Data  ce ne sono di migliori ma molto più costosi.

Se hai domande puoi lasciare un commento.