[PYTHON] Beginn des maschinellen Lernens (empfohlene Unterrichtsmaterialien / Informationen)

Einführung

Was zu schreiben

Ich habe meine Erfahrungen der letzten sechs Monate als Memo zum Nachdenken zusammengefasst, empfohlene Unterrichtsmaterialien, Informationen usw. beim Studium der Grundlagen des "maschinellen Lernens", das in der KI-Technologie sehr wichtig ist.

Ich würde mich freuen, wenn es als Referenz für diejenigen dienen könnte, die anfangen, maschinelles Lernen zu studieren.

Denkweise beim Studium der Grundlagen des maschinellen Lernens

Ich denke, es gibt verschiedene Gründe, mit dem Studium des maschinellen Lernens zu beginnen. Die Welt ist mit KI sehr laut geworden, daher gibt es möglicherweise einige arme Angestellte, die plötzlich vom Management aufgefordert werden, die KI zu untersuchen. Einige Leute haben bereits entschieden, was sie tun möchten und welche Anwendung sie erstellen möchten, und möchten zu diesem Zweck maschinelles Lernen verwenden (haben jedoch keine Entwicklungserfahrung), und einige Leute sind mit Statistiken vertraut, aber neu in der Programmierung.

Die folgende Beschreibung ist eine Aufzeichnung, als ich (halb F & E / halb Angestellter, halb Mitarbeiter / halb Manager), der eine Ingenieurschule absolvierte, maschinelles Lernen als Hobby studierte, das nicht direkt mit der Arbeit zusammenhängt. ..

• Es gibt einige Programmiererfahrung ――Ich verstehe, dass Statistik und Mathematik grundlegend sind
• Fast das erste Mal über maschinelles Lernen ――Es ist eher ein Ingenieur als eine Wissenschaft, aber ich möchte die Prinzipien, Algorithmen und die Hintergrundmathematik so verstehen, wie sie ist

Ich werde es in der Version senden.

Es wäre sehr dankbar, wenn fortgeschrittene und fortgeschrittene maschinelle Lernende sich nostalgisch fühlen und Ratschläge geben könnten, während sie den Fortschritt dieses Anfängers warm beobachten. Weil es keine fortgeschrittenen Leute um mich gibt, die sich frei beraten können. ..

Empfohlene Unterrichtsmaterialien

Zunächst empfehlen wir Ihnen, die sehr berühmte Coursera Machine Learning Lecture zu besuchen.

Wenn Sie es ernst nehmen, wird es in 3 Monaten abgeschlossen sein. Wenn Sie jedoch Programmiererfahrung haben und nicht an die Matrixberechnung gewöhnt sind, kann es schwierig sein, dies termingerecht durchzuführen.

Ich habe das Video der Lektion in die Coursera-App auf meinem iPad heruntergeladen und es im Nahverkehrszug gesehen, als ich ging, während der Mittagspause, als ich ein Bad nahm und so weiter.

Ich habe auch einige Programmier-Hausaufgaben, die ich mitten in der Nacht gemacht habe, nachdem meine Frau und mein Kind ins Bett gegangen waren. Ich habe es am Wochenende gemacht, wenn ich Zeit hatte. Ich hatte in der Vergangenheit Entwicklungserfahrung mit MATLAB, daher funktionierte Octave reibungslos. (Aber ich habe in diesem Kurs viel darüber gelernt, wie man intelligente Matrixoperationen ausführt.)

Da es außerdem am schwierigsten ist, solche MOOCs fortzusetzen, haben wir Freiwillige aus dem Unternehmen rekrutiert und Studiensitzungen abgehalten, um etwa alle zwei Wochen über die Fortschritte des jeweils anderen zu berichten. In Wirklichkeit habe ich mich jedoch entschlossen, mit einem meiner Senioren zusammenzuarbeiten, die zu einem anderen Team gehören, aber es alleine zu machen, ist völlig anders als mit zwei Personen. Ich denke, es ist psychisch schmerzhaft, alleine weiterzumachen.

Nach Coursera

Wenn Sie Dr. Matsuos ["Übersteigt künstliche Intelligenz den Menschen?"] Lesen , Sie können eine Vielzahl von Themen rund um maschinelles Lernen erfassen.

Es ist ein einfach zu lesendes Buch, daher ist es in Ordnung, es vor Abschluss der Coursera zu lesen. Wenn Sie es jedoch nach Abschluss der Coursera lesen, können Sie die Details verstehen. Ich stelle auch fest, dass es Einführungen von Algorithmen gibt, die in Coursera nicht vorkommen, und es macht Spaß, die unterschiedlichen Erklärungen zwischen Dr. Andrew und Dr. Matsuo zu bemerken.

Data Analytics 3.0 Ich habe auch gerne gelesen.

Sobald Sie alle Hausaufgaben von Coursera erledigt haben, wird es zu einem Vermögenswert, den Sie zur Hand haben können. Ich verwende dies, um den Preis des Zimmers, in dem ich wohne, anhand des Vertragspreises anderer Zimmer in derselben Wohnung wie Lehrerdaten unter verschiedenen Bedingungen (Anzahl der Stockwerke, Fläche, Anzahl der Zimmer, Vertragslaufzeit usw.) vorherzusagen. Ich versuchte zu.

Das nächste Buch, das ich gelesen habe

Als nächstes kaufte ich es bei BookLab Tokyo ["Einführung in maschinelles Lernen für Data Scientist Training Reader"](https://www.amazon.co.jp/dp/4774176311?tag=lucas29liao-22&camp=243&creative=1615&linkCode=as1&creativeASIN=4774176311&ad = 074K7FBHYHQA1N64ECFW &) wurde gelesen.

Ich wurde von kostenlosem Kaffee erwischt und kaufte ihn mit einem Moment, wobei ich mich daran erinnerte, dass dieses Buch in einem Artikel empfohlen wurde, aber rückblickend war es das beste Buch, das ich unmittelbar nach dem Lesen von Coursera lesen konnte. Die Erklärungen verschiedener Algorithmen sind in diesem Buch ziemlich einfach, daher hat es meiner Meinung nach einige Zeit gedauert, sie zu verstehen, selbst wenn Sie sie ohne Wissen gelesen haben. Als ich es jedoch nach Erhalt der Coursera las, kannte ich die Grundlagen, sodass ich mich auf angewandte Informationen konzentrieren konnte.

Das Buch enthält auch Beispielcode, der tatsächlich in R oder Python geschrieben ist. Das Schreiben von Code für Courseras Hausaufgaben war hilfreich, um den Algorithmus zu verstehen. Es ist jedoch einfacher, eine vorhandene Bibliothek zu verwenden, wenn Sie maschinelles Lernen problemlos verwenden möchten. In diesem Buch wird auch die Verwendung verschiedener Bibliotheken beschrieben. Daher war die Verwendung sehr einfach, wenn Sie mit dem Lernsetup nach Coursera fortfahren.

Maschinelles Lernen mit Python

Um mit dem nächsten Lernen fortzufahren, entschied ich mich für Python.

Leute wie "Ich programmiere nur ungern und habe Hausaufgaben übersprungen und nur das Video angesehen" verwenden möglicherweise schnell GUI-Tools, aber wenn ich mit dem Programmieren vertraut bin, denke ich, dass Python oder R besser sind. Ich werde. Ich habe Programmiererfahrung und habe mich für Python entschieden, eine universelle Skriptsprache. Wenn Sie nicht viel Programmiererfahrung haben, ist R, das auf statistische Berechnungen spezialisiert ist, möglicherweise einfacher zu verwenden.

Um maschinelles Lernen mit Python zu studieren, werden häufig verschiedene Bibliotheken wie scicit-learn, Numpy, Scipy und matplotlib verwendet. Ich habe diese Grundlagen hier studiert.

Als allererstes Einführung in die Datenanalyse durch Python Und

Python Machine Learning Programming Ich lese.

Das frühere Buch enthält viele Seiten, die der Datenformatierung gewidmet sind. Während der eigentlichen Entwicklung wird der größte Teil der Programmierarbeit für die Vorbereitung der Daten aufgewendet, z. B. für das Laden, Bereinigen, Transformieren und Verschieben. Zum Glück bieten die hier vorgestellten Pandas- und Python-Standardbibliotheken zusammen eine ausgefeilte und flexible Datenmanipulation.

Das letztere Buch war hilfreich bei einer Fülle von Codebeispielen mit scicit-learn. Ich konnte auf Algorithmen stoßen, die in anderen Büchern nicht vorgestellt wurden, und ich konnte die Tiefe des maschinellen Lernens bereits in der Grundstufe spüren.

Ich habe diese Bücher während der Jahresend- und Neujahrsferien gelesen. Ich reiste nach Australien und Bangkok, aber ich nahm mir etwas Zeit, um es nachts zu verdauen, und wagte es nicht, die Details sorgfältig zu lesen. Vielmehr wollte ich das Gesamtbild der Entwicklung und den erforderlichen Wissensumfang verstehen. Ich las es mit einer Geschwindigkeit von ungefähr 100p pro Tag und machte mir Notizen, wo ich interessiert war.

Dann sagte ich, ich würde Courseras Hausaufgaben in Python wiederholen. Ich bezog mich auf den Artikel nach Coursera Machine Learning Challenges in Python: ex1.

Ich habe Jupyter Notebook als Lernumgebung verwendet. Beeindruckt von der Benutzerfreundlichkeit. ..

Zusammenfassung der ersten Hälfte

Heutzutage halte ich es für zu gefährlich, in einer Situation, in der Katzen und Schöpflöffel auch als KI bezeichnet werden, ohne ein angemessenes technisches Verständnis zu diesem Trend getanzt zu werden.

In den letzten sechs Monaten habe ich die grundlegenden Algorithmen des maschinellen Lernens nacheinander verstanden. Als Ergebnis der Erfahrung, die Bibliothek zu berühren und Vorhersagen unter Verwendung von Beispieldaten und vorliegenden Daten zu erstellen, arbeite ich nicht in der IT-Branche, sondern in der Umgebung Selbst in Abwesenheit eines Forschers und Entwicklers, der mit KI vertraut ist, konnte ich mit dem Lernen fortfahren und die Schlamperei vieler schlampiger Artikel über KI bewerten.

Es wird erwartet, dass die zukünftige Nachfrage nach Datenwissenschaftlern (nennen wir es) kurzfristig zunimmt, aber langfristig abnimmt, aber es ist unvermeidlich, dass die Automatisierung von Arbeiten, die keinen Menschen erfordern, voranschreitet und das Internet der Dinge voranschreitet Ich denke nicht, dass der Trend von / BigData / AI falsch ist. Das Studium des maschinellen Lernens von großen Prinzipien bis hin zu Details ist hilfreich, wenn Sie in einer Branche geschäftlich tätig sind.

Vorschau beim nächsten Mal

Maschinelles Lernen mit Python: Wird weiter üben