หลักสูตร Machine Learning Crash

ทบทวนและวิจารณ์หลักสูตรการเรียนรู้ของเครื่อง google

ฉันเพิ่งทำหลักสูตรนักพัฒนาสำหรับ หลักสูตรความผิดพลาดของการเรียนรู้เครื่องของ Google. หลักสูตรเบื้องต้น ซึ่งจะให้แนวคิดพื้นฐานแก่คุณและดูตัวอย่างการใช้งานจริงด้วย TensorFlow ตัวอย่างเหล่านี้เป็นสิ่งที่กระตุ้นให้ฉันทำเช่นนั้น

Crash vs. Machine Learning Coursera

มันเป็นหลักสูตรที่ง่ายกว่าของ Coursera Machine Learning และใช้งานได้จริงมากขึ้น สมมติว่าหลักสูตร Coursera มุ่งเน้นที่การทำความเข้าใจว่าอัลกอริธึมทำงานอย่างไรในเชิงคณิตศาสตร์ ในขณะที่ใน Crash ของ Google อัลกอริธึมเหล่านั้นเกือบจะเหมือนกับกล่องดำ พวกเขาให้คำอธิบายเล็กน้อยและสอนให้คุณปรับใช้กับ Tensor Flow

และนี่คือความแตกต่างที่ยิ่งใหญ่ หลักสูตรของ Google แม้จะอธิบายในเชิงลึกน้อยกว่ามากเกี่ยวกับแนวคิดและอัลกอริทึมต่างๆ ของแมชชีนเลิร์นนิง แต่ก็สอนให้เราประยุกต์ใช้และเริ่มใช้ TensorFlow และ Keras

การออกกำลังกายทั้งหมดเสร็จสิ้นด้วย Google Colabซึ่งเราได้เตรียมสภาพแวดล้อมการพัฒนาไว้แล้ว มีความแตกต่างอย่างมากกับหลักสูตร Cursera ที่ทำงานร่วมกับ Matalab หรือ Octave เพื่อนำอัลกอริทึมไปใช้ แต่คุณไม่เห็นอะไรจาก Tensorflow หรือวิธีแก้ปัญหาที่แท้จริง

อ้างอิงความคิดเห็นของฉันในการทบทวนหลักสูตรนั้น

มันค่อนข้างเป็นทฤษฎี แต่นั่นอาจเป็นสาเหตุที่ดูเหมือนเป็นวิธีที่ดีในการเริ่มต้นเพราะคุณไม่เพียง แต่จะเรียนรู้สิ่งที่ต้องทำ แต่ทำไมคุณถึงทำมันด้วย

- เมื่อใดควรเลือกอัลกอริธึมอย่างใดอย่างหนึ่ง

- วิธีการเลือกและกำหนดพารามิเตอร์ต่างๆ

- ปัญหาที่อาจเกิดขึ้นกับอัลกอริธึมและโดยเฉพาะอย่างยิ่งสิ่งที่ต้องใช้มาตรการ

หลักสูตร Machine Learning Crash จาก Google ทำได้แม้ว่าคุณจะไม่มีคณิตศาสตร์ระดับสูง Coursera จาก Andrew Ng ไม่มี

วาระการประชุม: สิ่งที่เห็นในรายวิชา

หลักสูตรเบื้องต้นสำหรับแมชชีนเลิร์นนิง

ขั้นแรก คุณเริ่มต้นด้วยคำอธิบายว่าแมชชีนเลิร์นนิงคืออะไร แนวคิดหลัก และประเภทของปัญหา และด้วยเหตุนี้จึงเป็นเวลาที่จะพูดถึงประเด็นต่อไปนี้ ให้อภัยที่ศัพท์ภาษาอังกฤษมีเยอะ แต่คอร์สเป็นภาษาอังกฤษ (ถึงจะทำตามง่ายมาก) และหลายๆ คีย์ก็ไม่มีคำแปลหรือแปลผิดความหมายเพราะในบริบท ของแมชชีนเลิร์นนิง ทุกคนและในทุกไซต์พูดเป็นภาษาอังกฤษ

  • การถดถอยเชิงเส้นหรือการถดถอยเชิงเส้น
  • การสูญเสียกำลังสอง: ฟังก์ชั่นการสูญเสียที่เป็นที่นิยม
  • ไล่ระดับลงและไล่ระดับลง Stochastic
  • อัตราการเรียนรู้หรืออัตราการเรียนรู้
  • ลักษณะทั่วไป
  • ฟิตติ้งมากเกินไป
  • ชุดตรวจสอบความถูกต้อง
  • การข้ามคุณลักษณะด้วยการข้ามเวกเตอร์ร้อนครั้งเดียว
  • Nolineariality
  • การทำให้เป็นมาตรฐาน (ความเรียบง่ายและความกระปรี้กระเปร่า) (L1 และ L2)
  • การถดถอยโลจิสติก
  • การจัดหมวดหมู่
  • ความแม่นยำ ความแม่นยำ และการเรียกคืน
  • ROC Curve และ AUC
  • โครงข่ายประสาทเทียม (Training, One vs All, Softmax)
  • ฝัง

อย่างที่ฉันพูด มันใช้งานได้กับ Google Colab

สำหรับใคร

หากคุณกำลังเริ่มต้นและต้องการเรียนรู้การใช้ตัวอย่างง่ายๆ เป็นวิธีที่ดีในการเริ่มต้น

แน่นอนว่ามี 15 ชั่วโมงที่คุณสามารถทำได้ด้วยตนเอง และถึงแม้ว่าจะมีแบบฝึกหัดต่างๆ อยู่ แต่คุณไม่จำเป็นต้องทำคลอดหรือผ่านการทดสอบใดๆ

หลักสูตรนี้ฟรี

แล้วตอนนี้ล่ะ?

เนื่องจากมีความรวดเร็ว ฉันจะดูส่วนที่เหลือใน Google อย่างแน่นอน

นอกเหนือจากการทดสอบอย่างต่อเนื่องของ รายวิชาที่เราได้ทิ้งไว้ในรายการ เพื่อดูว่าพวกเขาเป็นอย่างไรและถ้าฉันทำอะไรอย่างจริงจังที่ก้าวหน้ากว่านี้แล้ว

ฉันมีโครงการที่จริงจังสำหรับการสร้างเครื่องมือในที่ทำงาน และสิ่งที่ฉันต้องการตอนนี้คือเริ่มใช้ทุกสิ่งที่ฉันได้เรียนรู้ในเวลานี้และต่อสู้กับปัญหาที่แท้จริง

ฉันจะรายงานความคืบหน้าของฉันในบล็อกต่อไป

แสดงความคิดเห็น