मी कोर्सेरा मशीन लर्निंग कोर्स पूर्ण केला आहे

मी पूर्ण केले स्टॅनफोर्ड युनिव्हर्सिटी ऑफ कोर्ससेराद्वारे मशीन लर्निंग कोर्स, आणि आधीच याबद्दल बरेच लोक आहेत ज्यांनी मला याबद्दल खुलेपणाने आणि खासगीपणे विचारले आहेत, मला त्यास काय वाटते ते मला थोडेसे सांगावेसे वाटले आणि ज्याने जे करण्याचा निर्णय घेतला आहे ते काय शोधतात हे मला माहित आहे.

हे एक आहे मशीन लर्निंगवर विनामूल्य कोर्सअँड्र्यू एनजी यांनी शिकवले. एकदा इच्छित असल्यास आपल्याकडे finished 68 साठी प्राप्त केलेल्या कौशल्यांचे समर्थन करणारे प्रमाणपत्र असू शकते. हे 3 खांब, व्हिडिओ, परीक्षा किंवा क्विझ आणि प्रोग्रामिंग व्यायामांमध्ये विभागलेले आहे. ते इंग्रजीमध्ये आहे. आपल्याकडे बर्‍याच भाषांमध्ये उपशीर्षके आहेत, परंतु स्पॅनिश फार चांगले नाहीत आणि काहीवेळा ते कालबाह्य होतात, जर आपण त्यांना इंग्रजीमध्ये ठेवले तर बरेच चांगले.

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 निवडायचा.
• विविध पॅरामीटर्स कशी निवडायची आणि परिभाषित कशी करावी.
• अल्गोरिदमसह कोणती समस्या उद्भवू शकते आणि विशेषतः कोणते उपाययोजना करा.

यात बरेच बीजगणित आहे आणि काही गणना आहे, आणि पहा मी जसे स्पष्ट करतो तसे तुम्हाला चालवायचे नसते, तुम्हाला त्या समीकरणावर पोचणे आवश्यक नाही, त्यांना सिद्ध करणे किंवा सुधारित करणे आवश्यक नाही, चांगले, फक्त त्यांना वेक्टर करा . म्हणून जरी आपली गणिताची पातळी चांगली नसली तरीही आपण कोर्स करू शकला असता, परंतु अर्थातच व्हिडिओ पाहण्यात आणि ऐकण्यात तास घालवणे जेथे ते प्रत्येक शब्दावर कसे प्रभाव पाडतात आणि ते तेथे का आहे हे स्पष्ट करतात.

आपल्याला काय माहित नसेल तर ते काय आहे मशीन लर्निंग, असे समजू या कृत्रिम बुद्धिमत्तेचा तो एक भाग आहे जो अल्गोरिदमला समर्पित आहे जे हे सर्व मशीन व्हिजन, स्पॅम वर्गीकरण इ. इ. कार्याद्वारे करतात.

माझ्या दृष्टीने माझा बदल झाला आहे. जेव्हा आपण या प्रकारच्या समस्यांविषयी विचार करता तेव्हा आपण प्रोग्रामिंगच्या दृष्टिकोनातून त्यांचा सामना केला, पळवाट, परिस्थिती इत्यादींचा विचार केला आणि ते खरोखरच सर्व कार्ये आहेत, खर्च कार्ये कमी करणे, जे गुणांमधील अंतर असू शकते. रीग्रेशन-आधारित भविष्यवाणी वगैरे

कोर्स सारांश

तर वरील कोर्सचे मुख्य भाग आहेत, दोन भागात विभागलेले, पर्यवेक्षित भाग आणि अनसर्वेक्षित भाग.

पर्यवेक्षित शिक्षण

• मॉडेल आणि कॉस्ट फंक्शन
• रेखीय प्रतिगमनसाठी ग्रेडियंट डिसेंट
• नियमित करणे
• मज्जासंस्था नेटवर्क
• मोठे मशीन वर्गीकरण आणि कर्नल
• प्रधान घटक विश्लेषण (पीसीए)
• मशीन लर्निंग सिस्टम डिझाइन
• समर्थन वेक्टर मशीन्स

अप्रभावी शिक्षण

• परिमाण कमी
• विसंगती शोध
• शिफारसकर्ता प्रणाल्या
• मोठे स्केल मशीन शिक्षण

मी गोष्टी सोडतो परंतु पुढे येणे ही मुख्य गोष्ट आहे, मग सर्व काही खंडित होते.

सराव आपण वापरता मॅटलाब किंवा ओक्टावे ज्याला आपण मातलाब ओपनसोर्स म्हणू शकतो. मी ऑक्टाव्ह बरोबरचा कोर्स केला आहे. पहिल्या कोर्समध्ये दर्शविल्याप्रमाणे, त्यांनी ही साधने निवडली आहेत कारण ते अल्गोरिदमच्या वेगवान प्रोटोटाइपिंगला परवानगी देतात. इतर साधनांसह विद्यार्थी प्रोग्रामिंगमध्ये बराच वेळ घालवायचा.

जे निश्चित आहे ते इतके सोपे नाही आहे की आपण ते पूर्ण करण्यासाठी ते सर्व काही सोडा. आपल्याकडे संपूर्ण वातावरण व्यायामासाठी तयार आहे, डेटा सेट्स, आलेखांचे भूखंड, वापरण्यासाठी अनेक फंक्शन्स आणि व्हेरिएबल्स आणि विद्यार्थी काय करते हे मुख्य अल्गोरिदमसह काही ओळी भरुन आहे.

मी पुन्हा सांगतो, हे क्षुल्लक नाही, विशेषत: ऑक्टावेसह काहीतरी कसे केले जाते हे पाहण्यात आपण बराच वेळ घालवला आहे.

व्यावहारिक अनुप्रयोग

अनुप्रयोगांची उदाहरणे पहात आहेत आणि काय केले जाऊ शकते हे उद्योगाचे भविष्य आहे यात मला शंका नाही. कोणतीही कंपनी मशीन लर्निंग, आर्टिफिशियल इंटेलिजन्स किंवा भविष्यवाणी सुधारण्यासाठी गुणवत्ता नियंत्रित करण्यासाठी आणि भिन्न उत्पादन प्रक्रिया सुधारण्यासाठी आम्हाला ज्याला कॉल करायचे आहे त्यासह निराकरणांची अंमलबजावणी करेल. मी फक्त अनुप्रयोगांबद्दल किंवा ऑनलाइन जगाबद्दलच नाही तर भौतिक कंपन्या, सेवा, उत्पादन, लॉजिस्टिक इत्यादी बद्दल बोलत आहे याकडे लक्ष देणारा

आधीपासून ज्ञात व्यतिरिक्त, व्हॉईस रेकग्निशन, ओसीआर, संगणक व्हिजन, भाषा अनुवादक,

सिस्टीम, भविष्यवाणी करण्याची शिफारस करा

आणि आता ते

यावर्षी माझी कल्पना अशी आहे की मी काही शिकवलेल्या गोष्टी प्रत्यक्षात आणण्याचा प्रयत्न करतो जी आम्हाला कामावर उपयुक्त ठरेल. मला माहित आहे की हे सोपे होणार नाही आणि मला पायथन आणि काही फ्रेमवर्क, टेन्सर फ्लो, पायटॉर्च आणि नम्पी सारख्या ग्रंथालयाशी परिचित करावे लागेल. मला बाजाराची चौकशी करावी लागेल.

याव्यतिरिक्त, मी http://course.fast.ai/ येथे विनामूल्य अभ्यासक्रमासह डीप लर्निंगचा अभ्यास करू इच्छितो आणि कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगशी संबंधित आणखी एक फील्ड बिग डेटासह प्रारंभ करू इच्छितो. माझ्या कामावर. माझ्या कामावर. मी मध्ये विशेषज्ञता शोधत आहे कोर्सेरा बिग डेटा  तेथे चांगले आहेत परंतु बरेच महाग आहेत.

आपल्याकडे काही प्रश्न असल्यास आपण टिप्पणी देऊ शकता.