Was muss ich für maschinelles Lernen lernen?

9

Seit letztem Jahr habe ich verschiedene Fächer studiert, um einige der wichtigsten Thesen des maschinellen Lernens wie zu verstehen

S. Hochreiter & J. Schmidhuber. (1997). Langes Kurzzeitgedächtnis . Neural Computation, 9 (8), 1735 & ndash; 1780.

Aufgrund der Tatsache, dass ich keinen mathematischen Hintergrund habe, fing ich an, Themen wie zu lernen

  • Infinitesimalrechnung
  • Multivariate Berechnung
  • Mathematische Analyse
  • Lineare Algebra
  • Differentialgleichung
  • Echte Analyse (Maßtheorie)
  • Elementare Wahrscheinlichkeit und Statistik
  • Mathematische Statistik

Im Moment kann ich nicht sagen, dass ich diese Fächer rigoros studiert habe, aber ich weiß, womit sich die oben genannten Fächer befassen wollen. Die Sache ist, dass ich nicht weiß, was ich zu diesem Zeitpunkt tun muss. Es gibt viele Themen, mit denen maschinelles Lernen viele Probleme löst, und ich weiß nicht, wie ich sie richtig einsetzen soll.

Zum Beispiel ist das verstärkte Lernen heute eines der beliebtesten Themen, an denen Hunderttausende von Forschern derzeit forschen, um den Fluch der Dimensionalität zu durchbrechen. Aber als zukünftiger Mitarbeiter, der in IT-Unternehmen arbeiten wird, würde ich die Aufgabe auf dem Schreibtisch nicht erwarten.

Ist es wichtig, mein eigenes Fachwissen zu haben, um in den Bereichen zu arbeiten? Wenn ja, welche Fächer muss ich gerade studieren?

Der Einfachheit halber möchte ich mehr über den Markov-Prozess und den Markov-Entscheidungsprozess erfahren.

machine-learning getting-started Windkräfte
quelle
1
Ich würde sagen, wenn Sie alles in diesem LSTM-Papier verstanden haben, haben Sie mehr oder weniger bereits alle "Voraussetzungen", um Ihre Karriere in ML fortzusetzen. Natürlich werden Sie auf Ihre Weise neue Konzepte finden (jeder tut es), aber Sie werden in der Lage sein, mit ihnen umzugehen (indem Sie selbst recherchieren). Markov-Prozesse und MDPs sind keine große Sache, wenn Sie das LSTM-Papier verstanden haben.
nbro
Eine verwandte Frage Wie kann ich anfangen, Mathematik für maschinelles Lernen zu lernen? .
nbro

Antworten:

4

Als Masterstudent für Künstliche Intelligenz empfehle ich Ihnen dringend, einige Grundlagen des maschinellen Lernens zu erlernen.

Um dies zu tun, können Sie ein gutes Buch ( Maschinelles Lernen , Tom Mitchell, McGraw Hill, 1997) für Theorie und Praxis selbst erhalten, indem Sie einige Kaggle- Wettbewerbe ausprobieren .

Ich habe das Buch Mitchell vorgeschlagen, weil er ein Experte auf diesem Gebiet ist und viele Kurse für maschinelles Lernen sein Buch verwenden. Sie können seine Videovorträge auch online verfolgen

Auf Kaggle finden Sie viele nützliche Tutorials (als Notebooks bezeichnet), mit denen Sie mit den verfügbaren Datensätzen arbeiten können. Einige Tutorials zur Titanic Challenge hier

Catalin Copil
quelle
5

Tatsächlich benötigen Sie keine gründliche Untersuchung dieser Themen, um Algorithmen für maschinelles Lernen zu implementieren. Nur die Wahrscheinlichkeitstheorie muss beim maschinellen Lernen streng behandelt werden. Eine sehr gute Reihe von Vorlesungen zur Wahrscheinlichkeitstheorie finden Sie hier:

Einführung in die Wahrscheinlichkeit - Die Wissenschaft der Unsicherheit

Außerdem würde ein Grundkurs in Calculus ausreichen, für grundlegende Implementierungen benötigen Sie kein Verständnis für High-Level-Calculus, es sei denn, Sie möchten ein maßgeschneidertes Gewichtsaktualisierungsschema oder neuronale Netze mit etwas Neuem erstellen. Aber um eine Vorstellung von Calculus zu bekommen, schauen Sie sich Khan Academy: Calculus an

Eine Grundidee der linearen Algebra reicht aus, um Dinge zu visualisieren und eine Intuition zu erlangen. Die Khan-Akademie hat einen großartigen Kurs dazu. Ich empfehle Ihnen, sich das anzuschauen: Lineare Algebra

Für Programmiersprachen ist maschinelles Lernen oder NEural-Netze am besten in Python oder R zu implementieren, da die Datenvisualisierung und -programmierung in diesen Sprachen recht einfach ist.

Die Hauptsache bei der Implementierung von neuronalen Netzen und maschinellem Lernen ist das Üben. Je mehr Sie üben, desto besser werden Sie. Sie erhalten auch eine Vorstellung davon, was Sie mit Übung machen. Nur das Lesen von Theorie und das Verstehen von Konzepten helfen Ihnen nicht. Sie müssen es im wirklichen Leben implementieren. Was das Buch betrifft, können Sie meine Antwort hier einsehen:

Geprüfte Quellen für KI-Theorie / Werkzeuge / Anwendungen für einen erfahrenen Programmierer, der neu auf dem Gebiet ist?

DuttaA
quelle
3

Ich fand statistische Modelle sehr hilfreich. Statistiken allein reichen jedoch nicht aus, Sie benötigen auch einen sehr soliden Hintergrund in der Wahrscheinlichkeitstheorie.

Sonneneruption
quelle
1

Lerne zuerst die Grundlagen von Python. Beginnen Sie mit dem Satz von Baye und gehen Sie dann zu 1) Wahrscheinlichkeitsdichtefunktionen 2) kumulativen Dichtefunktionen 3) stetigen Funktionen 4) zentralem Grenzwertsatz.

Syam
quelle
Halten Sie es außerdem für wichtig, die Wahrscheinlichkeitstheorie für Hochschulabsolventen zu lernen, um eine Abschlussarbeit über maschinelles Lernen zu erhalten? Und nehmen Sie auch an, dass ich alle oben genannten Dinge kenne (ich will nicht unhöflich sein, aber um ehrlich zu sein, ich weiß, was der Unterschied zwischen Kontinuität und einheitlicher Kontinuität ist, pdf, cdf, mgf und so weiter) Denken Sie, dass es wichtig ist, den Markov-Prozess zu lernen, um ein Programm auf Produktionsebene zu erstellen?
Windforces
1

Zunächst ein kurzer Hintergrund zu mir. Ich war ein Medizinstudent, der einen Bachelor in Biophysik abschloss. Nach harter Arbeit und klugen Entscheidungen bin ich jetzt ein AI / ML-Softwareentwickler mit einem Master in Informatik (Spezialität in maschinellem Lernen).

Ist es wichtig, mein eigenes Fachwissen zu haben, um in den Bereichen zu arbeiten?

Ja, absolut, aber nicht unbedingt im beruflichen Kontext. Sie müssen nicht als Softwareentwickler für maschinelles Lernen angestellt sein, sondern müssen Fachkenntnisse nachweisen. Welches ist ein guter Übergang zum zweiten Teil Ihrer Frage ...

Wenn ja, welche Fächer muss ich gerade studieren?

Es ist kein Thema, auf das Sie sich konzentrieren sollten. Maschinelles Lernen ist eine Kombination aus vielen verschiedenen Bereichen, und es wäre nicht sehr effizient, sich auf nur einen zu konzentrieren, bevor man in eine gründlichere Praxis eintaucht. Stattdessen sind Tutorials und Übungen der Name des Spiels.

  • 3Blue1Brown auf Youtube bietet großartige Tutorials, insbesondere zu neuronalen Netzen
  • Die Khan Academy ist ein Glücksfall, wenn es um Mathe-Tutorials geht. Lineare Algebra und Wahrscheinlichkeit / Statistik sind am besten, würde ich sagen. Letztendlich werden aber auch multivariable Berechnungen und Differentialgleichungen verwendet.
  • Udacity ist eine großartige Tutorial-Site, die sogar "Nanodegree" -Programme anbietet, mit denen Sie mehr praktische Erfahrungen mit künstlicher Intelligenz und maschinellem Lernen sammeln können. Es ist kostenlos, wenn Sie nur die Videos ansehen möchten.
  • OpenAIGym ist ein großartiger Ort, um Reinforcement Learning zu üben
  • Kaggle hat großartige Tutorials zum maschinellen Lernen und ihre Wettbewerbe bieten großartige Übungen mit überwachtem / unbeaufsichtigtem Lernen.

Ergänzen Sie Ihre theoretische und mathematische Entwicklung durch praktische Entwicklung und Praxis, um die besten Ergebnisse zu erzielen. Sie erwähnen einen besonderen Schwerpunkt auf MDPs, mit denen die Udacity-Tutorials und OpenAIGym eine großartige Übung bieten würden.

Wenn Sie an einem Master-Abschluss interessiert sind, kann ich den Online-Master in Informatik ( OMSCS ) von Georgia Tech nicht genug empfehlen . Es ist eine großartige Ausbildung und (als ich 2015 eingeschrieben war) erforderte kein GRE und kostete nur etwa 8000,00 USD

SeeDerekEngineer
quelle
-1

Lernen Sie maschinelles Lernen in 3 Monaten

Dies ist der Lehrplan für "Maschinelles Lernen in 3 Monaten lernen" dieses Videos von Siraj Raval auf Youtube

Monat 1

Woche 1 Lineare Algebra

https://www.youtube.com/watch?v=kjBOesZCoqc&index=1&list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/

Woche 2 Kalkül

https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr

Woche 3 Wahrscheinlichkeit

https://www.edx.org/course/introduction-probability-science-mitx-6-041x-2

Woche 4 Algorithmen

https://www.edx.org/course/algorithm-design-analysis-pennx-sd3x

Monat 2

Woche 1

Lernen Sie Python für Data Science

https://www.youtube.com/watch?v=T5pRlIbr6gg&list=PL2-dafEMk2A6QKz1mrk1uIGfHkC1zZ6UU

Mathematik der Intelligenz

https://www.youtube.com/watch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D

Einführung in Tensorflow

https://www.youtube.com/watch?v=2FmcHiLCwTU&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV

Woche 2

Einführung in ML (Udacity) https://eu.udacity.com/course/intro-to-machine-learning--ud120

Woche 3-4

ML-Projektideen https://github.com/NirantK/awesome-project-ideas

Monat 3 (Deep Learning)

Woche 1

Einführung in Deep Learning https://www.youtube.com/watch?v=vOppzHpvTiQ&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3

Woche 2

Deep Learning von Fast.AI http://course.fast.ai/

Woche 3-4

Implementieren Sie DL-Projekte von meinem Github https://github.com/llSourcell?tab=repositories erneut

Zusätzliche Ressourcen:
- Personen in ML, die auf Twitter folgen sollen

Maheshwar Ligade
quelle
1
Ja, ich kann Ihnen sagen, warum ich diese Antwort abgelehnt habe. 1) Ich glaube nicht, dass Sie maschinelles Lernen in 3 Monaten gut lernen können, wenn Sie auch die Voraussetzungen studieren. 2) Jeder hat sein eigenes Lerntempo, daher ist es keine gute Idee, das Lernen auf 3 Monate zu beschränken. 3) Sie verknüpfen Personen mit anderen Quellen, ohne zu erklären, warum.
nbro
Wir können kein PRO sein, aber zumindest Nuance, um einige zu machen und einen ML-Wettbewerb zu leiten. Wenn ich einen Link setze, habe ich dort erwähnt, was Sie von diesem Link erhalten. Auch jeder hat sein eigenes Lerntempo. Ich stimme diesem Punkt ebenfalls zu, aber Sie können sich in diesen drei Monaten die Hände schmutzig machen. Dies ist eine sehr allgemeine Antwort, wenn man bedenkt, dass niemand etwas weiß, aber er möchte einfach anfangen und Vertrauen gewinnen, nachdem er anfangen kann, tiefer zu graben.
Maheshwar Ligade
@nbro Wenn ich Ihrem Standpunkt zustimme, dass jeder sein eigenes Lerntempo hat, können zumindest wenige Menschen diese Antwort nutzen
Maheshwar Ligade
Diese Antwort gilt eher für Ingenieure, die nicht für Forscher und Wissenschaftler bestimmt sind
Maheshwar Ligade,