నేను కోర్సెరా మెషిన్ లెర్నింగ్ కోర్సు పూర్తి చేశాను

నేను పూర్తి చేశాను కోర్సెరాలో స్టాన్ఫోర్డ్ విశ్వవిద్యాలయం అందించే మెషిన్ లెర్నింగ్ కోర్సు, మరియు దాని గురించి నన్ను బహిరంగంగా మరియు ప్రైవేటుగా అడిగిన వారు ఇప్పటికే చాలా మంది ఉన్నందున, నాకు అనిపించిన దాని గురించి కొంచెం వివరంగా చెప్పాలనుకుంటున్నాను మరియు ఎవరైతే దీన్ని చేయాలని నిర్ణయించుకుంటారో వారు ఏమి కనుగొనబోతున్నారో తెలుసు.

ఇది ఒక మెషిన్ లెర్నింగ్ పై ఉచిత కోర్సు, ఆండ్రూ ఎన్జి బోధించారు. మీరు కావాలనుకుంటే once 68 కోసం సాధించిన నైపుణ్యాలను ఆమోదించే ప్రమాణపత్రాన్ని మీరు పొందవచ్చు. ఇది 3 స్తంభాలు, వీడియోలు, పరీక్షలు లేదా క్విజ్ మరియు ప్రోగ్రామింగ్ వ్యాయామాలుగా విభజించబడింది. ఇది ఆంగ్లంలో ఉంది. మీకు అనేక భాషలలో ఉపశీర్షికలు ఉన్నాయి, కానీ స్పానిష్ చాలా మంచిది కాదు మరియు కొన్నిసార్లు అవి పాతవి, మీరు వాటిని ఆంగ్లంలో ఉంచితే చాలా మంచిది.

ఇది చాలా సైద్ధాంతిక. మీరు దీన్ని ఏమి చేయాలో నేర్చుకోవడమే కాదు, ఎందుకు చేస్తారు అనేదానిని ప్రారంభించడం మంచి మార్గంగా అనిపిస్తుంది.

• ఒక అల్గోరిథం లేదా మరొకదాన్ని ఎప్పుడు ఎంచుకోవాలి.
• విభిన్న పారామితులను ఎలా ఎంచుకోవాలి మరియు నిర్వచించాలి.
• అల్గోరిథంలతో ఏ సమస్యలు తలెత్తుతాయి మరియు ముఖ్యంగా ఏ చర్యలు తీసుకోవాలి.

ఇది చాలా బీజగణితం మరియు కొంత గణనను కలిగి ఉంది మరియు చూడండి, నేను వివరించినట్లు, మీరు నిజంగా పనిచేయవలసిన అవసరం లేదు, మీరు ఆ సమీకరణాలను చేరుకోవలసిన అవసరం లేదు, వాటిని నిరూపించండి లేదా వాటిని సవరించాలి, అలాగే వాటిని వెక్టరైజ్ చేయండి . కాబట్టి మీ గణిత స్థాయి బాగా లేనప్పటికీ, మీరు కోర్సు చేయగలరు, అయితే, ప్రతి పదాన్ని ఎలా ప్రభావితం చేస్తారో మరియు అది ఎందుకు ఉందో వివరించే వీడియోలను చూడటానికి మరియు వినడానికి గంటలు గడపడం కష్టం.

అది ఏమిటో మీకు తెలియకపోతే మెషిన్ లెర్నింగ్, ఇది అల్గోరిథంలకు అంకితమైన ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌లో ఒక భాగం అని చెప్పండి యంత్ర దృష్టి, స్పామ్ వర్గీకరణ మొదలైన వాటి నుండి ఇవన్నీ పని చేస్తాయి.

నా దృష్టి నన్ను మార్చింది. మీరు ఈ రకమైన సమస్యల గురించి ఆలోచించినప్పుడు, మీరు వాటిని ప్రోగ్రామింగ్ కోణం నుండి ఎదుర్కొన్నారు, ఉచ్చులు, షరతులు మొదలైన వాటి గురించి ఆలోచిస్తున్నారు మరియు అవి నిజంగా అన్ని విధులు, ఖర్చు ఫంక్షన్ల కనిష్టీకరణలు, ఇవి పాయింట్ల మధ్య దూరాలు కావచ్చు. రిగ్రెషన్స్ మొదలైన వాటి ఆధారంగా అంచనాలు

కోర్సు సారాంశం

కాబట్టి వీటి పైన కోర్సు యొక్క ప్రధాన భాగాలు, రెండుగా విభజించబడ్డాయి, పర్యవేక్షించబడిన భాగం మరియు పర్యవేక్షించబడని భాగం

పర్యవేక్షించిన అభ్యాసం

• మోడల్ మరియు ఖర్చు ఫంక్షన్
• లీనియర్ రిగ్రెషన్ కోసం ప్రవణత సంతతి
• రెగ్యులరైజేషన్
• నరాల నెట్వర్క్
• పెద్ద యంత్ర వర్గీకరణ మరియు కెర్నలు
• ప్రిన్సిపల్ కాంపోనెంట్ అనాలిసిస్ (పిసిఎ)
• మెషిన్ లెర్నింగ్ సిస్టమ్ డిజైన్
• వెక్టర్ యంత్రాలకు మద్దతు ఇవ్వండి

పర్యవేక్షించబడని అభ్యాసం

• డైమెన్షియాలిటీ తగ్గింపు
• క్రమరహిత గుర్తింపు
• సిఫార్సు చేసే వ్యవస్థలు
• పెద్ద స్కేల్ మెషిన్ లెర్నింగ్

నేను విషయాలు వదిలివేస్తాను కాని రావడం ప్రధాన విషయం, అప్పుడు ప్రతిదీ విచ్ఛిన్నమవుతుంది.

అభ్యాసం కోసం మీరు ఉపయోగిస్తారు మాట్లాబ్ లేదా ఆక్టేవ్ మేము మాట్లాబ్ ఓపెన్‌సోర్స్ అని చెప్పగలం. నేను ఆక్టేవ్‌తో కోర్సు చేశాను. మొదటి కోర్సులలో సూచించినట్లుగా, వారు ఈ సాధనాలను ఎంచుకున్నారు ఎందుకంటే అవి అల్గోరిథంల యొక్క వేగవంతమైన నమూనాను అనుమతిస్తాయి. ఇతర సాధనాలతో విద్యార్థి ప్రోగ్రామింగ్‌లో ఎక్కువ సమయం గడుపుతారు.

ఖచ్చితంగా ఏమిటంటే, ఇది అంత సులభం కానప్పటికీ, వారు మీ కోసం దాన్ని పూర్తి చేయడానికి సిద్ధంగా ఉన్నారు. మీరు వ్యాయామాలు, డేటా సెట్లు, గ్రాఫ్ల ప్లాట్లు, ఉపయోగించాల్సిన అనేక విధులు మరియు వేరియబుల్స్ కోసం మొత్తం వాతావరణం సిద్ధంగా ఉంది మరియు విద్యార్థి చేసేది ప్రధాన అల్గోరిథంలతో కొన్ని పంక్తులను నింపండి.

నేను పునరావృతం చేస్తున్నాను, ఇది అల్పమైనది కాదు, ప్రత్యేకించి మీరు ఆక్టేవ్‌తో ఏదో ఎలా జరుగుతుందో చూడటానికి చాలా సమయం గడుపుతారు కాబట్టి.

ప్రాక్టికల్ అప్లికేషన్స్

అనువర్తనాల ఉదాహరణలు చూడటం మరియు ఏమి చేయవచ్చు ఇది పరిశ్రమ యొక్క భవిష్యత్తు అని నాకు ఎటువంటి సందేహం లేదు. ఏదైనా సంస్థ యంత్ర అభ్యాసం, కృత్రిమ మేధస్సు లేదా అంచనాలను మెరుగుపరచడానికి, నాణ్యతను నియంత్రించడానికి మరియు విభిన్న ఉత్పత్తి ప్రక్రియలను మెరుగుపరచడానికి మేము దానిని పిలవాలనుకుంటున్నాము. నేను అనువర్తనాల గురించి లేదా ఆన్‌లైన్ ప్రపంచం గురించి మాత్రమే కాకుండా భౌతిక సంస్థలు, సేవలు, ఉత్పత్తి, లాజిస్టిక్స్ మొదలైన వాటి గురించి మాట్లాడుతున్నానని శ్రద్ధ వహించండి.

ఇప్పటికే తెలిసిన వాటితో పాటు, వాయిస్ గుర్తింపు, OCR, కంప్యూటర్ దృష్టి, భాషా అనువాదకులు,

వ్యవస్థలు, అంచనాలను సిఫార్సు చేయండి

ఇప్పుడు ఆ

ఈ సంవత్సరం నా ఆలోచన ఏమిటంటే, పనిలో ఎంతో సహాయపడే కొన్ని సాధనాలను సృష్టించడం ద్వారా నేను నేర్చుకున్న వాటిని ఆచరణలో పెట్టడానికి ప్రయత్నించాలి. ఇది సులభం కాదని నాకు తెలుసు, పైథాన్ మరియు కొన్ని ఫ్రేమ్‌వర్క్, టెన్సర్ ఫ్లో, పైటోర్చ్ మరియు నంపి వంటి లైబ్రరీతో నాకు పరిచయం ఉండాలి. నేను మార్కెట్‌పై దర్యాప్తు చేయాలి.

అదనంగా, నేను http://course.fast.ai/ లో అందించే ఉచిత కోర్సుతో డీప్ లెర్నింగ్ గురించి లోతుగా పరిశోధించాలనుకుంటున్నాను మరియు కృత్రిమ మేధస్సు మరియు మెషిన్ లెర్నింగ్‌కు సంబంధించిన మరొక రంగాలలోని బిగ్ డేటాతో కూడా ప్రారంభించాలనుకుంటున్నాను మరియు అది కూడా నా పనిలో నాకు చాలా ఉపయోగకరంగా ఉంది. నేను ప్రత్యేకతను చూస్తున్నాను కోర్సెరా బిగ్ డేటా  మంచివి ఉన్నాయి కాని చాలా ఖరీదైనవి.

మీకు ఏవైనా ప్రశ్నలు ఉంటే మీరు వ్యాఖ్యానించవచ్చు.