Ginawa ko lang ang kurso ng developer para sa Kurso sa Pag-crash ng Pag-aaral ng Google Machine. Isang panimulang kurso, kung saan bibigyan ka nila ng pangunahing mga konsepto at makita ang mga halimbawa ng totoong pagpapatupad sa TensorFlow. Ang mga halimbawang ito ang nagpasigla sa akin na gawin ito.
Crash vs. Machine Learning Coursera
Ito ay isang mas simpleng kurso kaysa sa Pag-aaral ng Coursera Machine at mas praktikal. Sabihin nating ang kursong Coursera ay nakatuon sa iyo na maunawaan kung paano gumagana ang mga algorithm nang matematika habang nasa Crash ng Google ang mga algorithm na iyon ay halos katulad ng mga itim na kahon, bibigyan ka nila ng kaunting paliwanag at turuan kang ipatupad ito sa Tensor Flow.
At ito ang malaking pagkakaiba. Ang kurso sa Google, sa kabila ng pagpapaliwanag nang mas malalim sa iba't ibang mga konsepto at algorithm ng Pag-aaral ng Machine, ay nagtuturo sa amin na ilapat ang mga ito at simulang gamitin ang TensorFlow at Keras.
Tapos na ang lahat ng pagsasanay google colab, kung saan mayroon na tayong nakahanda na kapaligiran sa pag-unlad. Ito ay isang malaking pagkakaiba sa kurso na Cursera na gumagana sa Matalab o Octave upang ipatupad ang mga algorithm. Ngunit wala kang nakikita mula sa Tensorflow o kung paano malutas ang isang tunay na problema.
Ang pag-quote sa aking puna sa pagsusuri ng kurso na iyon
Ito ay lubos na teoretikal. Ngunit marahil iyon ang dahilan kung bakit parang isang mahusay na paraan upang magsimula dahil hindi mo lang matututunan kung ano ang gagawin ngunit kung bakit mo ito ginagawa.
- Kailan pumili ng isang algorithm o iba pa.
- Paano pipiliin at tukuyin ang iba't ibang mga parameter.
- Anong mga problema ang maaaring lumitaw sa mga algorithm at lalo na kung anong mga hakbang ang dapat gawin.
Maaari mong gawin ang kursong Crash Machine Learning ng Google kahit na wala kang mataas na antas ng matematika, wala ang Coursera ni Andrew Ng
Agenda: Ano ang nakikita sa kurso
Una, nagsisimula ka sa isang paliwanag kung ano ang Learning Machine, pangunahing mga konsepto at uri ng mga problema. At kasama nito, oras na upang pag-usapan ang mga sumusunod na puntos. Patawarin na maraming term sa Ingles, ngunit ang kurso ay nasa Ingles (bagaman napakadaling sundin ito) at marami sa mga susi ay alinman na walang pagsasalin, o kapag isinalin ay nawawalan ng kahulugan, dahil sa konteksto ng Pag-aaral ng Machine sa lahat at sa lahat ng mga site na sinasabi sa Ingles.
- Linear Regression o Linear Regression
- I-square ang pagkawala: isang tanyag na pag-andar ng pagkawala
- Gradient Down at Gradient Stochastic Down
- Rate ng pagkatuto o rate ng pagkatuto.
- Paglalahat
- Overfitting
- Itinakda ang pagpapatunay
- Tampok na tawiran sa pagtawid ng isang-mainit na mga vector
- Mga Nolarariality
- Regularization (pagiging simple at sparcity) (L1 at L2)
- Logistic regression
- Pag-uuri
- Katumpakan, katumpakan at Recall
- ROC Curve at AUC
- Mga neural network (Pagsasanay, Isa kumpara sa Lahat, Softmax)
- Mga pag-embed
Tulad ng sinabi ko, gumagana ito sa Google Colab.
Para kanino ito
Kung nagsisimula ka at nais mong malaman na magpatupad ng mga simpleng halimbawa. Mabuting paraan upang makapagsimula.
Mayroong 15 oras na kurso na maaari mong gawin sa iyong sariling bilis, at kahit na may mga ehersisyo na hindi mo kailangang gumawa ng mga paghahatid o pumasa sa anumang mga pagsubok.
Libre ang kurso.
At ngayon na?
Dahil mabilis ang mga ito tiyak na titingnan ko ang natitira nilang mayroon sa Google.
- Course sa pag-crash
- Pag-frame ng problema
- Paghahanda ng Data
- Clustering
- Rekomendasyon
- Pagsubok at Pag-debug
- GAN
Bilang karagdagan sa patuloy na pagsubok sa ilan sa mga kurso na naiwan namin sa listahan upang makita kung kumusta sila at kung may gagawin akong seryoso na mas advanced na.
Mayroon akong isang seryosong proyekto na isinasagawa para sa paglikha ng isang tool sa trabaho at kung ano ang kailangan ko ngayon ay upang simulang ilapat ang lahat ng natutunan sa oras na ito at upang labanan ang totoong mga problema.
Patuloy kong maiuulat ang aking pag-unlad sa blog.
