[PYTHON] Notieren Sie die Schritte zum Verständnis des maschinellen Lernens
Sie werden ungefähr mit 3 Videos und 1 Buch verstehen können
Ich werde mit einem Konzept wie schreiben
Empfohlene Videos
1 Stunde mit 3 Flaschen. Wenn Sie sich das ansehen, ist es in Ordnung
- Versuchen Sie zuerst, sich zu bewegen: "[Einführung in das maschinelle Lernen] Anfänger erstellen zuerst ein sich bewegendes Modell"
- Den Touch von Deep Learning verstehen: "Einführung in Deep Learning, die so einfach zu verstehen ist, dass Sie keinen internen Job benötigen"
- Eingang zum Erlernen der Python-Bibliothek: "[Einführung in das maschinelle Lernen] Über scikit-learn [Bibliothek, die Sie kennenlernen möchten]"
Empfohlenes Python-Buch
Ich versuche jeden Tag ungefähr 5 Schläge zu bekommen. Sie können wahrscheinlich gehen, während Sie gegoogelt haben, aber ich denke, dass es schließlich die kürzeste Strecke sein wird, wenn Sie es systematisch wissen.
- [Versuchen Sie trotzdem zu berühren](https://www.amazon.co.jp/ Python-Übungsdatenanalyse 100 Schläge-Shimoyama-Terumasa / dp / 4798058750) "Python-Übungsdatenanalyse 100 Schläge"
Was soll ich denn verstehen?
Wenn Sie die oben genannten Schritte ausführen, erfahren Sie Folgendes.
- Erfahrung im Schreiben von Python, Erstellen eines Modells und Vorhersagen
- Wissen Sie, dass Sie verschiedene Daten abrufen und ausprobieren können, indem Sie auf die Website von Kaggle gehen.
――Ein Gefühl dafür, was für ein Bild ein Algorithmus ist
- Der Algorithmus löst das Optimierungsproblem. Gefühl
- Irgendwie Mechanismen und Anwendungsfälle wie Regression und Gradientenverstärkung
--Datenvorverarbeitung
- Eine Hot-Codierung, Normalisierung usw.
Sonderedition
Kastenartige Dinge zum Aufschreiben
Was ist als nächstes zu verstehen?
--XGBoost Beispiel
- Elemente zur Optimierung von Hyperparametern, Kernel usw.
Muss ich nicht mehr viel lernen? Warum könnte es
――Die Umgebung für maschinelles Lernen nimmt zu.
- AutoML
- DataRobot
- AWS Forecast
――Es gibt viele Bibliotheken (Implementierung von Algorithmen), die maschinelles Lernen durchführen.
--scikit-learn, XGBoost / LightGBM usw.
――Das Verständnis auf Anwendungsebene ist eher ausreichend als der Mechanismus des Algorithmus
Worauf ich mich in Zukunft konzentrieren möchte
--Datensammlung wie MLOps-Processing-Efficiency und Automatisierung des Flusses wie Lernen
- AI für Systementwicklungsprozesse wie AI Ops
--IoT oder Gerätesystem