Машинно обучение и класификация на моделите - въвеждащи курсове 2018

Контролирано машинно обучение и класификация на моделите

-  Big Data, Big Picture...

През последните 2 години се търсят AI разработки и специалисти във всеки бизнес сектор: Финанси, Информационни технологии и приложения, производство, промишленост, транспорт и др.

Какво представлява Machine learning? 

На кратко:
  Популярна дефиниция произхожда от Артър Самуел през 1959 г.:

ML е подполе на компютърната наука, която дава на "компютрите способността да се учат, без да са изрично програмирани". На практика това означава разработване на компютърни програми, които могат да направят прогнози, базирани на данни. Точно както хората могат да се учат от опита, така и компютрите, данни = опит.

 През последното десетилетие машинното обучение ни даде самоуправляващи автомобили, практическо разпознаване на речта, ефективно търсене в мрежата и много по-добро разбиране на човешкия геном.

Искате да започнете от някъде ?

Курсове? Да! Идеалният курс въвежда целия процес и предоставя интерактивни примери, задачи и / или викторини, където студентите могат сами да изпълняват всяка задача.

Дали тези курсове трябва да обхващат deep learninga?
Първо, нека дефинираме, какво е deep learning. Ето едно кратко описание:

"Дълбокото обучение DL е подполе на  ML машинното обучение, занимаващо се с алгоритми, вдъхновени от структурата и функцията на мозъка, наречени изкуствени невронни мрежи".- Джейсън Браунли от Machine Learning Mastery

Както може да се очаква, част от курсовете за machine learninga съдържа deep learning контент. Тук сме избрали да отбележим основно такива. 

Въпреки че отделните проекти могат да се различават, все пак споделят няколко общи конкретики: оценка на проблема, проучване на данни, предварителна обработка на данни, моделиране на обучение / тестване / внедряване и т.н. 

• Creative Applications of Deep Learning with TensorFlow by Kadenze

Този курс ще ви запознае с DL: най-съвременния подход към изграждането на алгоритми за изкуствена интелигентност. Покрива основни компоненти на дълбокото учене, какво означава това, как работи, както и разработки и код за изграждане на различни алгоритми като дълбоки конволюционни мрежи, вариационни автоматични кодиращи устройства, генеративни конфликтни мрежи и периодични невронни мрежи.Optical Character Recognition (OCR) и още.

• Deep Learning A-Z™: Hands-On Artificial Neural Networks

Ще се запознаете с компоненти като:

1. Прилагане на конволюционни невронни мрежи и изкуствени невронни мрежи на практика
2. Конволюционните невронни мрежи и периодичните невронни мрежи.

• Machine Learning by Andrew Ng - Силно препоръчвам този курс.Ng подчертава аспектите на смятането, които са най-важни за машинното обучение. Ng е основател и ръководител на проекта "Google Brain", който разработва алгоритми за дълбоко обучение в огромни мащаби.

• Reinforcement Learning -David Silver

Дейвид Силвър е наистина велик лектор. Курсът върши чудесна работа с основите на RL. 

• Machine Learning Specialization- 

Приложно машинно обучение и опит в програмирането с Python.

Обсъжда приложенията за обучение на строителни машини, използващи предимно дълбоко обучение. Това е чудесен курс за хора, които искат да направят крачка извън традиционните методи за машинно обучение.

• Python for Data Science and Machine Learning Bootcamp 

Научете как да използвате NumPy, Pandas, Seaborn, Matplotlib, Plotly, Scikit-Learn, Machine Learning, Tensorflow и още!

• LEARN WITH GOOGLE AI Независимо дали се учите да кодирате или сте опитен практикуващ в (ML)машинно обучение, ще намерите информация и упражнения, които да ви помогнат да развиете уменията си.

Писането на алгоритми за AI ( ML/DL ) е трудно и изисква OOP и експертни математически знания. Макар че тези алгоритми имат потенциал да решат редица трудни проблеми, които понастоящем понасят света, проектирането на тези алгоритми за решаване на тези проблеми не е лесна задача.