Apa yang perlu saya pelajari untuk pembelajaran mesin?


9

Mulai dari tahun lalu, saya telah mempelajari berbagai mata pelajaran untuk memahami beberapa tesis pembelajaran mesin yang paling penting

S. Hochreiter, & J. Schmidhuber. (1997). Memori jangka pendek yang panjang . Komputasi Saraf, 9 (8), 1735-1780.

Namun, karena fakta bahwa saya tidak memiliki latar belakang matematika, saya mulai belajar mata pelajaran seperti

  • Kalkulus
  • Kalkulus Multivarian
  • Anaylsis Matematika
  • Aljabar linier
  • Persamaan Diferensial
  • Anaylsis Nyata (Teori Ukur)
  • Probabilitas dan Statistik Dasar
  • Statistik Matematika

Saat ini, saya tidak bisa mengatakan bahwa saya telah mempelajari subjek-subjek itu dengan seksama, tetapi saya tahu apa yang ingin dibahas oleh subjek-subjek di atas. Masalahnya adalah saya tidak tahu apa yang harus saya lakukan pada saat ini. Ada banyak mata pelajaran yang menggunakan pembelajaran mesin untuk memecahkan banyak masalah di luar sana dan saya tidak tahu bagaimana menggunakannya dengan benar.

Misalnya, pembelajaran penguatan sekarang menjadi salah satu topik paling populer yang ratusan ribu peneliti sekarang lakukan penelitian mereka untuk membuat terobosan kutukan dimensi. Tapi, sebagai karyawan masa depan yang akan bekerja di perusahaan IT, tugas di atas meja tidak akan menjadi sesuatu yang saya harapkan untuk dilakukan.

Apakah penting untuk memiliki keahlian saya sendiri untuk bekerja di ladang? Jika ya, mata pelajaran apa yang harus saya pelajari saat ini?

Untuk kenyamanan Anda, saya ingin tahu lebih banyak tentang proses Markov dan proses pengambilan keputusan Markov.


1
Saya akan mengatakan bahwa jika Anda memahami segalanya dalam makalah LSTM itu, Anda kurang lebih sudah memiliki semua "prasyarat" untuk mengejar karir Anda di ML. Tentu saja, Anda akan menemukan konsep baru (semua orang) di jalan Anda, tetapi Anda akan dapat mengatasinya (dengan melakukan riset sendiri). Proses Markov dan MDP sebenarnya bukan masalah besar, jika Anda memahami makalah LSTM.
nbro

Jawaban:


4

Sebagai mahasiswa tingkat master dalam Inteligensi Buatan, saya sangat menyarankan Anda untuk mempelajari beberapa dasar dalam Pembelajaran Mesin.

Untuk melakukan itu, Anda bisa mendapatkan buku yang bagus ( Machine Learning , Tom Mitchell, McGraw Hill, 1997) untuk teori dan praktiknya sendiri dengan mencoba beberapa kompetisi Kaggle .

Saya menyarankan buku Mitchell karena dia ahli di bidangnya, dan banyak kursus Pembelajaran Mesin menggunakan bukunya. Anda juga dapat mengikuti videonya secara online

Di Kaggle, Anda dapat menemukan banyak tutorial bermanfaat (dinamai Notebooks) untuk mulai bekerja dengan kumpulan data yang tersedia. Beberapa tutorial tentang Tantangan Titanic di sini


5

Sebenarnya, Anda tidak perlu studi yang ketat tentang mata pelajaran ini untuk menerapkan Algoritma Pembelajaran Mesin. Hanya Teori Probabilitas yang perlu diperlakukan secara ketat dalam Pembelajaran Mesin. Anda dapat menemukan serangkaian kuliah Teori Probabilitas yang sangat baik di sini:

Pengantar Probabilitas - Ilmu Ketidakpastian

Juga, kursus dasar dalam Kalkulus sudah cukup, untuk implementasi dasar Anda sebenarnya tidak memerlukan pemahaman tentang Kalkulus tingkat tinggi kecuali jika Anda ingin membuat skema pembaruan berat yang dibuat khusus atau Neural Nets dengan sesuatu yang baru. Tetapi untuk mendapatkan intuisi tentang Kalkulus, periksa Khan Academy: Calculus

Beberapa ide dasar dari Aljabar Linier sudah cukup, hanya untuk memvisualisasikan hal-hal dan mendapatkan intuisi. Akademi Khan memiliki kursus yang bagus tentang ini, saya sarankan Anda untuk memeriksanya: Aljabar linier

Seperti, untuk bahasa pemrograman Machine Learning atau NEural Nets adalah yang terbaik untuk diimplementasikan dalam Python atau R karena visualisasi data dan pemrograman di dalamnya cukup mudah.

Hal utama tentang penerapan Jaring Saraf dan Pembelajaran mesin adalah latihan, semakin banyak Anda berlatih semakin baik. Anda juga akan mendapatkan intuisi tentang apa yang Anda lakukan dengan latihan. Hanya membaca teori dan memahami konsep tidak akan membantu Anda. Anda harus menerapkannya dalam kehidupan nyata. Sejauh menyangkut buku, Anda dapat melihat jawaban saya di sini:

Sumber-sumber Teori AI / Alat / Aplikasi yang diperiksa untuk programmer berpengalaman yang baru di lapangan?


3

Saya menemukan model statistik sangat membantu. Namun, statistik saja tidak cukup, Anda juga perlu latar belakang yang sangat kuat dalam teori probabilitas.


1

pelajari dasar-dasar python terlebih dahulu. Mulailah dengan teorema baye kemudian lanjutkan ke 1) fungsi kerapatan probabilitas 2) fungsi kerapatan kumulatif 3) fungsi kontinyu 4) teorema batas pusat.


Selain itu, apakah menurut Anda penting untuk mempelajari teori probabilitas tingkat pascasarjana untuk melihat beberapa tesis tingkat lanjut tentang pembelajaran mesin? Dan juga, asumsikan bahwa saya tahu semua hal di atas (saya tidak bermaksud kasar tetapi, jujur ​​saja, saya tahu apa perbedaan antara kesinambungan dan keseragaman yang seragam, pdf, cdf, mgf, dll), apakah Anda pikir penting untuk mempelajari proses markov untuk membuat program tingkat produksi?
Windforce

1

Pertama, latar belakang cepat pada saya. Saya adalah seorang mahasiswa pra-med yang lulus sarjana dengan gelar Biofisika. Setelah beberapa kerja keras dan pengambilan keputusan yang cerdas, saya sekarang adalah seorang insinyur perangkat lunak AI / ML dengan gelar Master di bidang Ilmu Komputer (khusus dalam Pembelajaran Mesin).

Apakah penting untuk memiliki keahlian saya sendiri untuk bekerja di ladang?

Ya, tentu saja, tetapi tidak harus dalam konteks profesional. Anda tidak perlu dipekerjakan sebagai insinyur perangkat lunak pembelajaran mesin, tetapi harus menunjukkan kecakapan dengan bidang tersebut. Bagian yang bagus untuk bagian kedua dari pertanyaan Anda ...

Jika ya, mata pelajaran apa yang harus saya pelajari saat ini?

Mereka bukan subjek yang harus kamu fokuskan. Pembelajaran mesin adalah kombinasi dari banyak bidang yang berbeda, dan itu tidak akan sangat efisien untuk fokus hanya pada satu sebelum menyelam ke dalam praktik yang lebih menyeluruh. Alih-alih, tutorial dan latihan adalah nama permainan.

  • 3Blue1Brown di Youtube memberikan tutorial yang bagus, terutama pada jaring saraf
  • Khan Academy adalah anugerah untuk tutorial matematika. Aljabar Linier dan Probabilitas / Statistik adalah yang terbaik untuk memulai, saya katakan. Tapi Kalkulus Multivariabel dan Persamaan Diferensial akhirnya digunakan juga.
  • Udacity adalah situs tutorial hebat yang bahkan menawarkan program "nanodegree" untuk memberi Anda lebih banyak pengalaman dalam kecerdasan buatan dan pembelajaran mesin. Ini gratis jika Anda hanya ingin melihat video.
  • OpenAIGym adalah tempat yang bagus untuk mempraktikkan Pembelajaran Penguatan
  • Kaggle memiliki tutorial hebat tentang pembelajaran mesin dan kontes mereka memberikan praktik hebat dengan pembelajaran terawasi / tidak terawasi.

Lengkapi pengembangan Anda dalam latar belakang teori dan matematika dengan pengembangan dan praktik langsung untuk mencapai hasil terbaik. Anda menyebutkan fokus spesifik pada MDP, yang mana tutorial Udacity dan OpenAIGym akan memberikan latihan yang bagus.

Jika Anda tertarik pada gelar Master, saya tidak bisa merekomendasikan Master Online Georgia Tech dalam Ilmu Komputer ( OMSCS ) cukup. Ini adalah pendidikan yang luar biasa, dan (ketika saya terdaftar pada tahun 2015) tidak memerlukan GRE dan hanya berharga sekitar $ 8000.00


-1

Belajar Mesin Belajar dalam 3 Bulan

Ini adalah Kurikulum untuk "Belajar Mesin Belajar dalam 3 Bulan" video ini oleh Siraj Raval di Youtube

Bulan 1

Minggu 1 Aljabar Linier

https://www.youtube.com/watch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

Minggu 2 Kalkulus

https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr

Minggu 3 Probabilitas

https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2

Algoritma Minggu 4

https://www.edx.org/course/algorithm-design-analysis-pennx-sd3x

Bulan 2

Minggu 1

Pelajari python untuk ilmu data

https://www.youtube.com/watch?v=T5pRlIbr6gg&list=PL2-dafEMk2A6QKz1mrk1uIGfHkC1zZ6UU

Matematika Kecerdasan

https://www.youtube.com/watch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D

Pengantar Tensorflow

https://www.youtube.com/watch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV

Minggu 2

Pengantar ML (Udacity) https://eu.udacity.com/course/intro-to-machine-learning--ud120

Minggu 3-4

Gagasan Proyek ML https://github.com/NirantK/awesome-project-ideas

Bulan 3 (Pembelajaran Mendalam)

Minggu 1

Pengantar Pembelajaran Lebih Dalam https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

Minggu 2

Deep Learning oleh Fast.AI http://course.fast.ai/

Minggu 3-4

Implement ulang proyek DL dari github saya https://github.com/llSourcell?tab=repositories


Sumber Tambahan:
- Orang-orang di ML untuk mengikuti di Twitter


1
Ya, saya dapat memberi tahu Anda mengapa saya menurunkan jawaban ini. 1) Saya tidak berpikir Anda dapat belajar mesin dengan baik dalam 3 bulan, dengan juga mempelajari prasyarat. 2) Setiap orang memiliki langkahnya sendiri ketika belajar, jadi membatasi belajar sampai 3 bulan bukanlah ide yang baik. 3) Anda menautkan orang ke sumber lain tanpa menjelaskan alasannya.
nbro

Kami tidak bisa menjadi PRO tetapi setidaknya Nuansa untuk melakukan beberapa dan memimpin beberapa kompetisi ML. Jika saya menaruh tautan, saya sebutkan di sana apa yang akan Anda dapatkan dari tautan itu. Juga setiap orang memiliki kecepatan belajar sendiri. Saya juga setuju untuk hal itu tetapi Anda dapat membuat tangan Anda kotor dalam tiga bulan ini. Ini adalah jawaban yang sangat umum mengingat tidak ada yang tahu apa-apa tetapi mereka hanya ingin memulai dan mendapatkan kepercayaan diri setelah itu mereka dapat mulai menggali lebih dalam.
Maheshwar Ligade

@nbro Jika saya setuju dengan pendapat Anda, setiap orang memiliki kecepatan belajar sendiri, maka setidaknya beberapa orang dapat memanfaatkan jawaban ini
Maheshwar Ligade

Jawaban ini lebih berlaku untuk para insinyur bukan untuk peneliti dan ilmuwan
Maheshwar Ligade
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.