De décembre 2016 à mai 2017, j'ai assisté à Nanodegree, ingénieur en apprentissage automatique d'Udaicity. J'ai trouvé quelques articles sur Udacity lui-même, mais je n'ai pas vu beaucoup d'articles sur Nanodegree en japonais avant de suivre le cours. Je voudrais noter de quel type de service il s'agit, quel genre de choses peuvent être apprises et quel type de personnes y convient, y compris les impressions après avoir suivi le cours. [http://www.udacity.com/course/machine-learning-engineer-nanodegree--nd009]
Cours payant en ligne pour 199 $ par mois. Certains contenus sont couverts par les cours gratuits d'Udacity, mais le contenu est organisé pour vous aider à apprendre les bases du ML. En outre, les affectations sont définies et il est structuré pour apprendre l'apprentissage supervisé, l'apprentissage non supervisé, l'apprentissage par renforcement tout en résolvant les tâches. Les problèmes semblent changer de temps en temps, et récemment un problème de classification d'images à l'aide de CNN a été ajouté. Il y a une conférence vidéo sur un sujet, les devoirs sont définis pour le réviser, résoudre les devoirs distribués dans Python Notebook, télécharger le code sur Github et soumettre le devoir (ou envoyer un fichier Zip) Le flux de base est que si vous obtenez un examen et que vous l'adoptez, vous pouvez passer à la conférence suivante. Tout d'abord, l'explication de la construction de l'environnement Python requise pour résoudre le problème est dessinée assez soigneusement. Il existe un défi facultatif utilisant les données Titanic pour tester l'environnement et créer un modèle ML simple.
La grande différence est que vous obtenez des commentaires sur les défis. Il n'y a aucun moyen de s'assurer que vous le faites par vous-même et que vous le comprenez, mais vous pouvez obtenir des commentaires pour voir ce que vous n'avez pas encore entièrement compris. Les commentaires sont vérifiés pour voir s'ils sont effectués par rapport aux critères définis pour chaque problème. Vous pouvez également obtenir des commentaires sur le code afin d'en savoir plus sur la façon de coder plus efficacement. Lors de la soumission d'un devoir, vous pouvez ajouter un commentaire indiquant que vous n'avez pas bien compris cela, puis il examinera de plus près au moment de l'examen et vous donnera des documents de référence. Une autre différence par rapport à la version gratuite est qu'elle dispose d'un tuteur pour que vous puissiez mettre en place une visioconférence 1 sur 1 et poser des questions lorsque vous êtes bloqué. Pour la version gratuite, vous pouvez obtenir des réponses en posant des questions sur le forum en ligne, mais vous pouvez poser des questions plus détaillées qui sont spécifiques à ce que vous ne comprenez pas.
C'est un service qui garantit un emploi dans une entreprise après la fin du cours. En plus des travaux de cours, nous vous aiderons à modifier votre CV, votre profil LinkedIn et votre profil Github pour les rendre plus susceptibles d'être embauchés. S'il ne s'agit pas de Nanodegree Plus, ces modifications de profil ne sont plus nécessaires en tant que projet optionnel, au prix de l'absence de garantie d'emploi. Ceci est un élément obligatoire pour Nanodegree Plus. Si vous travaillez au Japon, je pense que c'est un service que vous utilisez rarement. Pour ceux qui envisagent de changer d'emploi pour une société affiliée à l'étranger, il est pratique de le définir sur Nanodegree et de consulter le CV comme une option afin que le CV puisse être réécrit de manière esthétique.
Ce que j'aime personnellement, c'est qu'il est assez facile de créer un environnement d'analyse. Python est un langage requis pour ML nanodegree. Le style consiste à installer Anaconda, puis à installer les packages requis, afin que vous ne puissiez pas exécuter le code distribué en classe. J'ai suivi un cours Coursera, mais à ce moment-là, il était difficile de créer un environnement, cela prenait quelques jours juste pour le faire, et le code distribué ne pouvait pas être exécuté, donc l'important est C'était très stressant car je ne pouvais pas apprendre. Ce n'était pas le cas avec Nanodegree d'Udacity. Il était également bon que nous n'ayons qu'à faire ce dont nous avions besoin pour nous attaquer aux problèmes. Dans chaque cours, j'ai eu l'impression que le système est tel que vous ne pouvez apprendre que les parties nécessaires à cette fin après avoir réfléchi à ce que vous devez faire au moins en tant qu'ingénieur ML. Dans le cas de ML nanodegree, toutes les tâches sont effectuées avec Python Notebook, mais les fonctions d'assistance telles que la création de graphiques sont définies à l'avance et du code est préparé, par exemple, le code est rempli uniquement dans la partie de formatage des données. C'est sous la forme d'écrire du code par vous-même uniquement pour la partie du modèle ML telle que le clustering. Grâce à cela, j'ai pensé que je pourrais apprendre efficacement en un minimum de temps.
Malheureusement, toutes les conférences et travaux sont en anglais. Si vous ne pouvez pas communiquer en anglais, il est difficile d'en profiter pleinement. La plupart des vidéos de la conférence ont des sous-titres en anglais, donc je pense que vous avez peut-être des problèmes. Le problème est que lorsque vous êtes bloqué, la télécan 1 sur 1 est une conversation en anglais, donc je pense que vous ne pouvez pas en tirer pleinement parti. Pour le dire autrement, je pense que c'est deux oiseaux avec une pierre pour ceux qui veulent aussi étudier l'anglais. De plus, comme il y a peu de tâches, vous ne pouvez apprendre que des choses relativement élémentaires, et vous pouvez penser que c'est un peu insatisfaisant pour les personnes de niveau intermédiaire. Par exemple, dans une tâche, nous ferons SVM et Random Forest, mais XGBoost et kNN ne seront pas utilisés. Cela peut être bon pour ceux qui veulent d'abord apprendre les bases, mais cela peut ne pas être très approprié pour ceux qui veulent apprendre du contenu plus avancé. Puisque les affectations sont distribuées sur Github, il est difficile de soumettre les affectations sans connaître dans une certaine mesure la commande Git. Cependant, je pense que le fonctionnement de Git mérite d'être rappelé, c'est donc aussi une bonne occasion de l'utiliser réellement. Il existe également un cours gratuit sur Git, vous pouvez donc y apprendre les opérations de base. Une autre chose que j'aimerais voir améliorée est le coût. 199 $ sont automatiquement déduits chaque mois, mais la dernière tâche est une tâche gratuite, donc cela prendra beaucoup de temps. Cela ressemble à de l'auto-apprentissage, donc je ne regarde pas les conférences, et je ne prends pas 1 contre 1 en particulier. Je ne reçois aucun service, mais seul l'argent sera retiré. J'ai pensé que c'était un peu inutile.
Je pense qu'il convient aux personnes qui viennent de commencer à apprendre le machine learning ou qui souhaitent en savoir plus. Surtout, je pense que c'est bon pour les gens qui veulent apprendre efficacement et rapidement dans les plus brefs délais, car ils peuvent payer pour cela. La mission comprend un apprentissage supervisé, un apprentissage non supervisé, un apprentissage par renforcement et une affectation gratuite. Je pense que c'est une bonne introduction car vous pouvez apprendre des méthodes typiques de l'état où la connaissance préalable est nulle. Il est également recommandé aux personnes qui utilisent actuellement d'autres langages tels que R, mais qui souhaitent pouvoir utiliser Python à l'avenir. Si vous connaissez le contexte théorique, vous pouvez simplement jeter un coup d'œil à la conférence, et je pense que vous pouvez apprendre en résolvant uniquement les problèmes et en vous consacrant à l'apprentissage du codage en Python.
Recommended Posts