[PYTHON] Lernmethode zum Lernen von maschinellem Lernen von Grund auf neu (Version März 2020)

Einführung

Datenwissenschaft und maschinelles Lernen sehen interessant aus! Haben Sie jemals das Gefühl gehabt, dass Sie nicht lernen können? Ich bin übrigens einer von ihnen. In diesem Artikel *** Was ist maschinelles Lernen überhaupt? Selbst Anfänger, die das Wort KI kennen, aber die Details nicht kennen, können lernen, wie man *** aus den Grundlagen lernt, die erforderlich sind, um Wissen und Erfahrung zu sammeln und am maschinellen Lernen zu arbeiten. Ich werde es aufgrund meiner Erfahrung vorstellen! (Ich denke, dass die hier vorgestellten als Überprüfung des Grundwissens verwendet werden können, selbst für diejenigen, die im maschinellen Lernen Mittelstufe oder höher sind.)

Übersicht (im Grunde diese 3 Schritte)

1. Grundkenntnisse erwerben (Verständnis von Wörtern und Begriffen)
2. Verstehen Sie, wie Sie die Bibliothek verwenden
3. Fordere den Wettbewerb heraus ([Kaggle](Was ist #kaggle))

1. Ein Lehrbuch, das den Mechanismus und die Technologie des maschinellen Lernens und des tiefen Lernens in diesem einen Buch klar versteht

[Amazon Link](https://www.amazon.co.jp/%E5%9B%B3%E8%A7%A3%E5%8D%B3%E6%88%A6%E5%8A%9B-%E6 % A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92-% E3% 83% 87% E3% 82% A3% E3% 83% BC% E3% 83% 97% E3% 83% A9% E3% 83% BC% E3% 83% 8B% E3% 83% B3% E3% 82% B0% E3% 81% AE% E3% 81% 97% E3% 81% 8F% E3% 81% BF% E3% 81% A8% E6% 8A% 80% E8% A1% 93% E3% 81% 8C% E3% 81% 93% E3% 82% 8C1% E5% 86% 8A% E3% 81% A7% E3% 81% 97% E3% 81% A3% E3% 81% 8B% E3% 82% 8A% E3% 82% 8F% E3% 81% 8B% E3% 82% 8B% E6% 95% 99% E7% A7% 91% E6% 9B% B5-% E6% A0% AA% E5% BC% 8F% E4% BC% 9A% E7% A4% BE% E3% 82% A2% E3% 82% A4% E3% 83 % 87% E3% 83% 9F% E3% 83% BC / dp / 429710640X)

Im Bereich des ersten Lernens ist das erste Problem, das auftaucht, "Ich verstehe kein Japanisch" (ich verstehe keine Fachbegriffe). Ich denke, dass dies allen Disziplinen gemeinsam ist, aber ich denke, dass dies besonders gilt, wenn es um maschinelles Lernen geht. Dieses Buch wird empfohlen, um eine solche Situation zu überwinden, und es ist genau ein "Lehrbuch", das Sie von den Grundlagen lehrt.

Kurze Einführung in den Inhalt

Kapitel 1: Grundkenntnisse der künstlichen Intelligenz (Gute Grundkenntnisse wie KI, maschinelles Lernen, tiefes Lernen, historischer Hintergrund usw. werden zu Beginn zusammengefasst.) Kapitel 2-4: Über maschinelles Lernen (Erklärt von Grundkenntnissen, die häufig beim Betrachten von Literatur zum maschinellen Lernen auftreten, bis hin zu Algorithmen) Kapitel 5-7: Über Deep Learning (Erklärung von Prozessen und Algorithmen aus dem Grundwissen des Deep Learning) Kapitel 8: Systemumgebung und Entwicklungsumgebung (Erläuterung der Bibliotheken und Frameworks für maschinelles Lernen, Deep-Learning-Frameworks für die Auswahl einer Programmiersprache)

• Persönlich war das Diagramm, das den Ablauf und die Bibliothek des maschinellen Lernens auf Seite 214 zusammenfasst, leicht zu verstehen, und es war leicht zu verstehen, dass dies auf diese Weise geschehen ist.

Literatur-Empfehlungen

1. Lesen Sie zuerst (lesen Sie die Wörter mit dem Gefühl des Überspringens durch, auch wenn Sie nicht verstehen) → Selbst wenn Sie dies nur tun, wenn Sie sich andere Artikel und Literatur ansehen, beginnt dies mit Wörtern, die Sie gesehen haben, nicht mit Wörtern, die Sie nicht verstehen, sodass es einfacher zu lernen ist!

2. Lesen Sie den Teil erneut, in dem das Grundwissen geschrieben ist, + das letzte Kapitel, in dem der Entwicklungsfluss verstanden wird (Kapitel 1, Kapitel 2, Kapitel 5, Kapitel 8 in Bezug auf Kapitel)

3. Fahren Sie nach dem Lesen mit dem nächsten Schritt fort und verwenden Sie dieses Buch als Nachschlagewerk, um zu zeichnen, wenn Sie auf ein Wort stoßen, das Sie nicht verstehen

2. Einführung in Python for Data Science

Kame @ US Data Scientist's Blog Kame-sans Blog selbst hat eine Menge zu lernen, daher ist es eine gute Idee, etwas Zeit zum Lesen zu finden, aber dieser Kurs wird besonders empfohlen. Es ist sehr leicht zu verstehen, da die Bibliotheken, von denen gesagt werden kann, dass sie beim maschinellen Lernen verwendet werden, systematisch organisiert sind. (Ich denke, dass das Kaggle Start Book, das ich später vorstellen werde, nach dem Lesen dieses Artikels besser verstanden wird.)

Kurze Einführung in den Inhalt

(Für diese Einführung in den Inhalt wurde der Teil von "Zweck dieses Kurses", der im Blog geschrieben wurde, auf leicht verständliche Weise geschrieben, daher werde ich aus diesem Teil zitieren.) Der Zweck dieses Kurses ist es, die für die Datenwissenschaft in Python erforderliche Umgebungskonstruktion, die Grundlagen von Python, die Grundlagen der für die Datenwissenschaft verwendeten Python-Bibliotheken und die grundlegende Verwendung von Python-Modulen zu beherrschen, die in der Datenwissenschaft häufig vorkommen. ist.

Was ist das Ziel dieses Kurses

Beherrschen Sie die Grundlagen der Verwendung von Tools, Bibliotheken und Modulen, um die für Data Science in Python erforderlichen Daten zu verarbeiten Daten können ohne Tabellenberechnungstools wie Excel verarbeitet werden Kann Datendateien wie Bilddateien verarbeiten Mit Python können Sie die tägliche Datenverarbeitung (Excel usw.) automatisieren Es ist so ein Ort. Ich erwähne auch einige Statistiken, aber bitte beachten Sie, dass es sich nicht um einen "Learning Data Science-Kurs" handelt, sondern um einen "Learning Python-Kurs für Data Science".

Da der Kurs jedoch zahlreiche "Techniken, die auf dem Gebiet verwendet werden können" und "häufige Techniken der Datenwissenschaft" enthält, können Sie Datenwissenschaft im weiteren Sinne lernen.

Wie auch immer, ich beabsichtige, es auf leicht verständliche Weise zu schreiben. Ich sehe nicht viele schwierige Wörter und erkläre es auf sehr zähe Weise, also denke ich nicht, dass es in der Mitte aufhören wird.

Anstatt als Lehrbuch zu unterrichten, ist überall "wie man es tatsächlich im Feld verwendet" enthalten. Daher ist der Inhalt "etwas systematisch umfassend und kann in tatsächlichen Schlachten verwendet werden". (Bisher zitiert)

Was eingeführt wird, ist

• Grundlagen von Python --NumPy (zur numerischen Berechnung verwendet) --Pandas (zum Bearbeiten und Analysieren von Daten (Tabellenberechnungen wie in Excel können schneller durchgeführt werden)) --matplotlib (zum Zeichnen von Grafiken) --Seaborn (ähnlich wie bei matplotlib können Sie Diagramme zeichnen, aber es ist sauberer und einfacher zu zeichnen)
• Andere nützliche Bibliotheken, Module usw.

Literatur-Empfehlungen

1. Zuerst lesen (Eisenregel!)

2. Sie können dies gleichzeitig mit 1 tun, aber Ihre Hände bewegen, um die Ausführungsergebnisse und Bewegungen zu lernen. (Ich denke, dass es viele Dinge gibt, die man nicht einfach durch Lesen lernen kann) → Der Titanic-Wettbewerb [Kaggle](was ist #kaggle), der hier als Thema behandelt wird, wird auch als Tutorial für das Kaggle-Startbuch verwendet, das später vorgestellt wird. Ich denke, dass das Verständnis weiter verbessert werden kann, wenn es zusammen ausgeführt werden kann.

3. Lesen Sie wiederholt + lesen Sie von Zeit zu Zeit zurück

3. Praktische Data Science-Reihe, beginnend mit Python Kaggle Startbook (KS Information Science Specialized Book)

[Amazon Link] (https://www.amazon.co.jp/%E5%AE%9F%E8%B7%B5Data-Science%E3%82%B7%E3%83%AA%E3%83%BC%E3%82%BA-Python%E3%81%A7%E3%81%AF%E3%81%98%E3%82%81%E3%82%8BKaggle%E3%82%B9%E3%82%BF%E3%83%BC%E3%83%88%E3%83%96%E3%83%83%E3%82%AF-KS%E6%83%85%E5%A0%B1%E7%A7%91%E5%AD%A6%E5%B0%82%E9%96%80%E6%9B%B8-%E7%A5%A5%E5%A4%AA%E9%83%8E/dp/4065190061)

[Was tun als nächstes nach der Registrierung bei Kaggle? Wenn Sie dies tun, können Sie genug kämpfen! Zwei Autoren von Einführung in den Titanic 10 Kernel ~ und kaggle tutorial Ist ein Tutorial-Buch von [Kaggle](was ist #kaggle), das ich in einem Tag geschrieben habe (die beiden Grundlagen sind sowohl beliebte als auch leicht verständliche Bücher (Artikel)!)

In den beiden bisher eingeführten Schritten gibt es einige Teile, die etwas weniger praktisch sind, aber ich denke, dass es viele Dinge gibt, die durch Lernen gewonnen werden können, während man sie tatsächlich verwendet. Trotzdem weiß ich wirklich nicht, wo ich anfangen soll. Unter solchen Umständen ist die Teilnahme am "Titanic" -Wettbewerb, einem Tutorial für Anfänger von [Kaggle](was ist #kaggle), zusammen mit diesem Buch ein guter erster Schritt!

Kurze Einführung in den Inhalt

Kapitel 1: Was ist Kaggle? Erklärt, wie ein Konto erstellt wird (ideal für die Einführung) Kapitel 2: Titanic Tutorial Kapitel 3: Erläuterungen zum Umgang mit mehreren Tabellen und Bild- / Textdaten (Es wurde auch für andere Wettbewerbe als den Titanic-Wettbewerb eingeführt, den ich in Kapitel 2 ausprobiert habe.) Kapitel 4: Seite mit Tipps zum Erlernen weiterer Informationen (Ich habe gerade das Tutorial gemacht und es endet nicht. Es gibt Inhalte, die in die Zukunft führen.)

Empfohlener Punkt ➀: Beispielcode

Da der Beispielcode verfügbar ist, müssen Sie ein Kaggle-Konto registrieren, wenn Sie ihm folgen. Sie können den gesamten Vorgang jedoch auch fast ohne Codierung üben. (Ich kenne die Details nicht, aber wenn Sie sich einen Überblick verschaffen möchten, können Sie es einmal versuchen und den Code interpretieren.)

Empfohlene Punkte ➁: Dialogartikel

Diese Seite ist ein Dialog zwischen den beiden Autoren, und ich lese nicht nur die Teile und Perspektiven, die fortgeschrittene Benutzer für selbstverständlich halten, sondern auch die Gründe für den Start von Kaggle und die guten Dinge, und es gibt viele nützliche Dinge zu studieren. Wird auch sein.

Empfohlene Punkte ➂: Hinweis

Es ist leicht zu verstehen, da es Kaggles peripheres Wissen und + α-Wissen in einem Spaltenformat zusammenfasst. (Es kann herauskommen, wenn Sie es selbst nachschlagen, aber es ist leicht zu verstehen, so dass es für Anfänger geschätzt wird)

Literatur-Empfehlungen

(Es gibt einige Teile, die ich noch nicht gemacht habe, also ist es mein aktueller Studienplan.)

1. Lesen Sie Kapitel 1, um sich einen Überblick und ein Bild von Kaggle zu verschaffen
2. Probieren Sie praktische Titanic aus, während Sie Kapitel 2 lesen
3. Lesen Sie Kapitel 3 (Lesen Sie den Inhalt mehrerer Tabellen, Bilder und Textwettbewerbe und lesen Sie sie erneut, wenn Sie das Thema üben.)
4. Versuchen Sie, tatsächlich am Wettbewerb teilzunehmen. Es gibt eine Seite (Kapitel 4), auf der erläutert wird, wie Sie den Wettbewerb auswählen, an dem Sie neben der Titanic teilnehmen möchten, und wie Sie für Anfänger empfehlen. Ich denke, es ist gut, entsprechend teilzunehmen!

Ich habe versucht, die Wettbewerbskategorien von Kaggle zu organisieren ← Die Kategorien der Kaggle-Wettbewerbe sind leicht verständlich geschrieben!

Was ist Kaggle?

Kaggle ist die weltweit größte Data Science-Community mit leistungsstarken Tools und Ressourcen, mit denen Sie Ihre Data Science-Ziele erreichen können. ↑ Da es in Mr. Haradas DeNA-Material im Sommer [Devsumi 2018] eine Seite gab (https://www.slideshare.net/HaradaKei/devsumi-2018summer), war es einfach, intuitiv zu verstehen, was Kaggle ist. Zitiert.

4. Zusammenfassung

Ich selbst habe keine lange Geschichte des maschinellen Lernens und ich denke, ich bin ein Anfänger, aber dank der Umgebung und der Lehrmaterialien lerne ich es allmählich kennen. In diesem Artikel hoffe ich, dass die Zusammenfassung der grundlegenden Lernmethoden für diejenigen nützlich ist, die sich für maschinelles Lernen interessieren, aber nicht wissen, wie sie alleine lernen sollen. Während ich von nun an lerne, denke ich, dass es besser wäre, dies zu tun, und dass es für andere Menschen (Fortgeschrittene und Fortgeschrittene) möglicherweise einfacher ist, zu lernen. Ich hoffe, ich kann es von Zeit zu Zeit aktualisieren oder in einem separaten Artikel zusammenstellen!

Übrigens denke ich, dass die Fortsetzung der 3 Schritte in diesem Artikel (obwohl es die gleiche sein kann wie die Praxis des 3-Wettbewerbs) auf die folgenden Artikel usw. verwiesen werden kann, um die Technik weiter zu verbessern. Zusammenfassung der empfohlenen Materialien für Anfänger des maschinellen Lernens, um Kaggles "Einführung" mit hoher Geschwindigkeit zu beenden Herr Murata, einer der Autoren von Kaggle Start Book (Curry) Chan) 's Artikel.

Andere Referenzmaterialien

Regonn & Curry Podcast

Empfohlen (Ein Podcast, der jede Woche über Kaggle-Themen und neue Wettbewerbe spricht)

[Verwendung des mit Kaggle (Ogoshi) erlernten japanischen maschinellen Lernens](https://www.slideshare.net/ssuserafaae8/for-manabiya?ref=http://kaggler-ja-wiki.herokuapp.com/kaggle%E5% 88% 9D% E5% BF% 83% E8% 80% 85% E3% 82% AC% E3% 82% A4% E3% 83% 89)

kaggler-ja slack Kagglers japanische Community Slack

9 Schritte, um in kürzester Zeit Experte für maschinelles Lernen zu werden [völlig kostenlos]