मी फक्त यासाठी डेव्हलपर कोर्स केला गुगल मशीन लर्निंग क्रॅश कोर्स. एक प्रास्ताविक अभ्यासक्रम, जिथे ते तुम्हाला मूलभूत संकल्पना देतात आणि TensorFlow सह प्रत्यक्ष अंमलबजावणीची उदाहरणे पहा. ही उदाहरणे मला असे करण्यास प्रोत्साहित करतात.
क्रॅश वि मशीन लर्निंग कोर्सरा
पेक्षा खूपच सोपा अभ्यासक्रम आहे Coursera मशीन शिक्षण आणि अधिक व्यावहारिक. चला असे म्हणूया की Coursera कोर्स अल्गोरिदम गणिती पद्धतीने कसे कार्य करतात हे समजून घेण्यावर लक्ष केंद्रित करते तर Google च्या क्रॅशमध्ये ते अल्गोरिदम जवळजवळ ब्लॅक बॉक्ससारखे असतात, ते आपल्याला थोडे स्पष्टीकरण देतात आणि टेन्सर फ्लोसह ते कसे अंमलात आणायचे ते शिकवतात.
आणि हा मोठा फरक आहे. Google अभ्यासक्रम, मशीन लर्निंगच्या विविध संकल्पना आणि अल्गोरिदम खूप कमी खोलीत समजावून सांगूनही, ते आम्हाला लागू करण्यास आणि TensorFlow आणि Keras वापरण्यास शिकवते.
सर्व व्यायाम यासह केले जातात गुगल कोलाब, ज्याद्वारे आपल्याकडे आधीच विकास वातावरण तयार आहे. अल्गोरिदम लागू करण्यासाठी आपण मातलाब किंवा ऑक्टेव्हसह काम करता त्या कर्सेरा कोर्समध्ये हा एक मोठा फरक आहे. पण तुम्हाला Tensorflow किंवा प्रत्यक्ष समस्या कशी सोडवायची ते काहीच दिसत नाही.
त्या अभ्यासक्रमाच्या पुनरावलोकनात माझी टिप्पणी उद्धृत करत आहे
तो जोरदार सैद्धांतिक आहे. परंतु कदाचित म्हणूनच हा प्रारंभ करण्याचा एक चांगला मार्ग आहे असे दिसते कारण आपण केवळ काय करावे हेच शिकत नाही तर आपण ते का करीत आहात.
- एक अल्गोरिदम किंवा दुसरा कधी निवडावा.
- विविध मापदंड कसे निवडावे आणि परिभाषित करावे.
- अल्गोरिदमसह कोणत्या समस्या उद्भवू शकतात आणि विशेषतः कोणते उपाय करावे.
आपल्याकडे उच्च दर्जाचे गणित नसले तरीही आपण Google क्रॅश मशीन लर्निंग कोर्स करू शकता, अँड्र्यू एनजीचा कोर्सरा नाही
अजेंडा: अभ्यासक्रमात काय दिसते
प्रथम, आपण मशीन लर्निंग म्हणजे काय, मुख्य संकल्पना आणि समस्यांचे प्रकार याच्या स्पष्टीकरणाने प्रारंभ करा. आणि यासह, खालील मुद्द्यांविषयी बोलण्याची वेळ आली आहे. माफ करा की इंग्रजीमध्ये बरेच टर्म आहे, परंतु कोर्स इंग्रजीमध्ये आहे (जरी त्याचे अनुसरण करणे खूप सोपे आहे) आणि बर्‍याच कळामध्ये एकतर अनुवाद नसतो, किंवा अनुवादित केल्यावर त्याचा अर्थ हरवतो, कारण संदर्भात मशीन लर्निंग प्रत्येकजण आणि सर्व साइटवर त्यांना इंग्रजीमध्ये म्हणतात.
- रेखीय प्रतिगमन किंवा रेखीय प्रतिगमन
- स्क्वेअर लॉस: लोकप्रिय नुकसान फंक्शन
- ग्रेडियंट डाउन आणि ग्रेडियंट डाउन स्टोकेस्टिक
- शिकण्याचा दर किंवा शिकण्याचा दर.
- सामान्यीकरण
- ओव्हरफिटिंग
- प्रमाणीकरण संच
- क्रॉसिंग वन-हॉट वेक्टरसह क्रॉसिंग वैशिष्ट्य
- Nolinearialities
- नियमन (साधेपणा आणि कमीपणा) (L1 आणि L2)
- लॉजिस्टिक रिग्रेशन
- वर्गीकरण
- अचूकता, सुस्पष्टता आणि आठवण
- आरओसी वक्र आणि एयूसी
- न्यूरल नेटवर्क (प्रशिक्षण, एक विरुद्ध सर्व, सॉफ्टमॅक्स)
- एम्बेडिंग
मी म्हटल्याप्रमाणे, हे Google Colab सह कार्य करते.
हे कोणासाठी आहे
जर तुम्ही नुकतीच सुरुवात करत असाल आणि साध्या उदाहरणांची अंमलबजावणी करायला शिकायचे असेल. प्रारंभ करण्याचा हा एक चांगला मार्ग आहे.
तेथे 15 तासांचा अभ्यासक्रम आहे जो आपण आपल्या वेगाने करू शकता आणि जरी काही व्यायाम असले तरी आपल्याला प्रसूती करण्याची किंवा कोणत्याही चाचण्या पास करण्याची आवश्यकता नाही.
अभ्यासक्रम विनामूल्य आहे.
आणि आता ते?
ते वेगवान असल्याने, मी त्यांच्याकडे बाकीचे Google वर नक्कीच बघेन.
काही चाचण्या सुरू ठेवण्याव्यतिरिक्त आम्ही सूचीमध्ये सोडलेले अभ्यासक्रम ते कसे आहेत ते पाहण्यासाठी आणि जर मी काहीतरी गंभीरपणे केले तर ते आधीच अधिक प्रगत आहे.
कामावर एक साधन तयार करण्यासाठी माझ्याकडे एक गंभीर प्रकल्प चालू आहे आणि मला आता गरज आहे ती म्हणजे मी या काळात शिकलेल्या प्रत्येक गोष्टीचा वापर करणे आणि वास्तविक समस्यांशी लढणे.
मी माझ्या प्रगतीची माहिती ब्लॉगवर देत राहीन.
