నేను డెవలపర్ కోర్సు చేశాను గూగుల్ మెషిన్ లెర్నింగ్ క్రాష్ కోర్సు. పరిచయ కోర్సు, ఇక్కడ వారు మీకు ప్రాథమికాలను అందిస్తారు మరియు టెన్సర్ఫ్లోతో వాస్తవ అమలుకు ఉదాహరణలను చూస్తారు. ఈ ఉదాహరణలు నన్ను అలా చేయమని ప్రోత్సహించాయి.
క్రాష్ వర్సెస్ మెషిన్ లెర్నింగ్ కోర్సెరా
ఇది దాని కంటే చాలా సరళమైన కోర్సు కోర్సెరా మెషిన్ లెర్నింగ్ మరియు మరింత ఆచరణాత్మకమైనది. Google యొక్క క్రాష్లో అల్గోరిథంలు గణితశాస్త్రపరంగా ఎలా పని చేస్తాయో అర్థం చేసుకోవడంపై కోర్సెరా కోర్సు దృష్టి పెడుతుందని చెప్పండి, ఆ అల్గోరిథంలు దాదాపు బ్లాక్ బాక్స్ల వలె ఉంటాయి, అవి మీకు కొద్దిగా వివరణ ఇస్తాయి మరియు టెన్సర్ ఫ్లోతో అమలు చేయడాన్ని నేర్పుతాయి.
మరియు ఇది పెద్ద తేడా. మెషిన్ లెర్నింగ్ యొక్క విభిన్న భావనలు మరియు అల్గారిథమ్లను చాలా తక్కువ లోతుగా వివరించినప్పటికీ, గూగుల్ కోర్సు వాటిని వర్తింపజేయడానికి మరియు టెన్సర్ఫ్లో మరియు కేరాస్ని ఉపయోగించడం ప్రారంభించడానికి మాకు బోధిస్తుంది.
అన్ని వ్యాయామాలు దీనితో పూర్తయ్యాయి గూగుల్ కొలాబ్, దీనితో మేము ఇప్పటికే అభివృద్ధి వాతావరణాన్ని సిద్ధం చేసాము. అల్గోరిథంలను అమలు చేయడానికి మాతలాబ్ లేదా ఆక్టేవ్తో పనిచేసే కర్సెరా కోర్సుతో ఇది పెద్ద వ్యత్యాసం. కానీ మీరు టెన్సర్ఫ్లో ఏదైనా లేదా నిజమైన సమస్యను ఎలా పరిష్కరించాలో చూడలేరు.
ఆ కోర్సు సమీక్షలో నా వ్యాఖ్యను ఉటంకిస్తున్నాను
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 ఎలాంటి సమస్యలు తలెత్తుతాయి మరియు ముఖ్యంగా ఎలాంటి చర్యలు తీసుకోవాలి.
మీకు అధిక స్థాయి గణితం లేకపోయినా గూగుల్ యొక్క మెషిన్ లెర్నింగ్ క్రాష్ కోర్సు చేయవచ్చు
ఎజెండా: కోర్సులో ఏమి కనిపిస్తుంది
ముందుగా, మీరు మెషిన్ లెర్నింగ్ అంటే ఏమిటి, ప్రధాన అంశాలు మరియు సమస్యల రకాల వివరణతో ప్రారంభించండి. మరియు దీనితో, ఈ క్రింది అంశాల గురించి మాట్లాడే సమయం వచ్చింది. ఆంగ్లంలో చాలా పదాలు ఉన్నాయని క్షమించండి, కానీ కోర్సు ఆంగ్లంలో ఉంది (దీన్ని అనుసరించడం చాలా సులభం అయినప్పటికీ) మరియు అనేక కీలకు అనువాదం లేదు, లేదా అనువాదం చేసినప్పుడు అది అర్థాన్ని కోల్పోతుంది, ఎందుకంటే ఈ సందర్భంలో మెషిన్ లెర్నింగ్ ప్రతి ఒక్కరికీ మరియు అన్ని సైట్లలోనూ వాటిని ఆంగ్లంలో చెప్పండి.
- లీనియర్ రిగ్రెషన్ లేదా లీనియర్ రిగ్రెషన్
- చతురస్ర నష్టం: ఒక ప్రముఖ నష్టం ఫంక్షన్
- గ్రేడియంట్ డౌన్ మరియు గ్రేడియంట్ స్టోకాస్టిక్ డౌన్
- అభ్యాస రేటు లేదా అభ్యాస రేటు.
- సాధారణీకరణ
- ఓవర్ ఫిటింగ్
- ధ్రువీకరణ సెట్
- ఒక-వేడి వెక్టర్స్ దాటడంతో ఫీచర్ క్రాసింగ్
- Nolinearialities
- క్రమబద్ధీకరణ (సరళత మరియు స్పార్సిటీ) (L1 మరియు L2)
- లాజిస్టిక్ రిగ్రెషన్
- వర్గీకరణ
- ఖచ్చితత్వం, ఖచ్చితత్వం మరియు రీకాల్
- ROC కర్వ్ మరియు AUC
- న్యూరల్ నెట్వర్క్లు (ట్రైనింగ్, వన్ వర్సెస్ ఆల్, సాఫ్ట్మాక్స్)
- పొందుపరిచినవి
నేను చెప్పినట్లుగా, ఇది Google కొలాబ్తో పనిచేస్తుంది.
ఇది ఎవరి కోసం
మీరు ఇప్పుడే ప్రారంభించి, సాధారణ ఉదాహరణలను ఎలా అమలు చేయాలో నేర్చుకోవాలనుకుంటే. ప్రారంభించడానికి ఇది మంచి మార్గం.
మీరు మీ స్వంత వేగంతో చేయగలిగే కోర్సు యొక్క 15 గంటలు ఉన్నాయి, మరియు వ్యాయామాలు ఉన్నప్పటికీ మీరు డెలివరీలు చేయాల్సిన అవసరం లేదు లేదా ఎలాంటి పరీక్షలలో ఉత్తీర్ణత సాధించాల్సిన అవసరం లేదు.
కోర్సు ఉచితం.
ఇప్పుడు అది?
అవి వేగంగా ఉన్నందున, Google లో వారు కలిగి ఉన్న మిగిలిన వాటిని నేను తప్పకుండా చూస్తాను.
కొన్నింటిని పరీక్షించడం కొనసాగించడంతో పాటు మేము జాబితాలో మిగిలి ఉన్న కోర్సులు వారు ఎలా ఉన్నారో చూడడానికి మరియు నేను కొంత తీవ్రంగా చేస్తే అది ఇప్పటికే మరింత అభివృద్ధి చెందింది.
పనిలో ఒక సాధనాన్ని సృష్టించడం కోసం నాకు తీవ్రమైన ప్రాజెక్ట్ ఉంది మరియు ఈ సమయంలో నేను నేర్చుకున్న ప్రతిదాన్ని వర్తింపజేయడం మరియు నిజమైన సమస్యలతో పోరాడటం నాకు ఇప్పుడు అవసరం.
నేను బ్లాగులో నా పురోగతిని నివేదిస్తూనే ఉంటాను.