Wo und wie lernt man maschinelles Lernen?

Hallo allerseits!

Es ist kein Geheimnis, dass das Interesse an maschinellem Lernen und künstlicher Intelligenz bestenfalls exponentiell wächst. In der Zwischenzeit verwandelte sich meine Yandex-Festplatte in einen riesigen Pager- Dump, und Lesezeichen in Google Chrome wurden zu einer Liste, deren Länge jeden Tag unendlich ist. Um das Leben für mich und Sie zu vereinfachen, habe ich mich entschlossen, die Informationen zu strukturieren und viele Links zu interessanten Ressourcen zu geben, die ich studiert habe. Ich empfehle Ihnen, sie zu studieren, wenn Sie erst am Anfang des Pfades stehen (ich werde die Liste ständig auffüllen).

Auf dem Weg zur Entwicklung eines Anfängers sehe ich so etwas:



Versuchen Sie zunächst einmal klein anzufangen. Wenn Sie 6 Jahre lang keine VMK-Spezialisierung auf Prognosemethoden haben, laden Sie das Archiv der Vorlesungen von E. Sokolov oder K. Vorontsov nicht sofort herunter. Vielleicht sind Artikel auf Medium für Sie optimaler. Das Verständnis der Algorithmen kann zu Schwierigkeiten führen, wenn Sie sich mit Wahrscheinlichkeitstheorie, Optimierungstheorie und Statistik nicht auskennen. Ich rate Ihnen daher, sich Ozon, das Moskauer Buchhaus, anzusehen und sich mit Vorlesungen in Mathematik zu versorgen. Wenn Sie sich mit der Theorie vertraut gemacht haben, wird es außerdem einfacher sein, Wissen zur Lösung von Problemen anzuwenden. Als nächstes werde ich Ihnen eine Liste interessanter Ressourcen geben, die ich selbst einmal studiert habe. Ich wünsche dir viel Erfolg :)

Anfänger:

Life Hack für eine schnelle Auswahl von Modellen aus dem Sklearn-Team



Data Science Glossar

Crash-Kurs zu grundlegenden Artikeln über Deep Learning auf Medium

TensorFlow Tutorial

Python vs. R - Unterschiede

Videovorträge eines offenen Kurses von Open Data Science über Habré

Tolles ML CheatSheet

Arithmetik der Faltungs-Neuronalen Netze von Theano Team

Hervorragende Video-Tutorials zu Datenanalyse und Ökonometrie in R.

Naiver Bayesianischer Do-it-yourself-Klassifikator mit Habr

Gute Erklärungen zur Funktionsweise von ROC-AUC
www.youtube.com/watch?v=21Igj5Pr6u4
www.youtube.com/watch?v=vtYDyGGeQyo

Grundlagen des maschinellen Lernens

Fortsetzung:

GitHub von Evgeny Sokolov mit Vorträgen zum maschinellen Lernen an der HSE

Der Blog der Open Data Science Organisation auf Habré (ich empfehle)

Auswahl und Bewertung von Modellen - die Grundlagen (Sebastian Raska, Eng.)

Mathematische Lehrmethoden zu Präzedenzfällen (Theorie des maschinellen Lernens), K. Vorontsov (empfehlen)

Buch über das Toolkit für natürliche Sprache (nltk)

Unterstützung von Vektormaschinen in der Praxis

Keras.js - Maschinelles Lernen in einem Browser, Sie können die Arbeit von Algorithmen für maschinelles Lernen mit Ihren Händen berühren, hilft beim Lernen

Data Mining-Algorithmen mit R - Ein interaktives Buch zum maschinellen Lernen über R.

Vor- und Nachteile von AUC und Genauigkeit

Neuronale Netze zur Übertragung des Stils auf das Foto (Englisch) (empfohlen)

Stil mit TensorFlow übertragen

Ritchie Ng - Sammlung maschineller Lernressourcen

Eine Überprüfung der Techniken zur Optimierung des Gradientenabfalls in der Praxis

Vorträge über Support Vector Machines von der Utah University

Verlustfunktionen für das Klassifizierungsproblem