Comment Apprendre Le Machine Learning ?

Posted on by Cyrille Feret

J’essaie d’apprendre le Machine Learning depuis un an et demi. Je pense donc être bien placé pour répondre à cette question.

Tout d’abord, et la chose la plus importante à retenir, c’est d’avoir des notions de base très claires. Par notions de base, je veux dire que vous devez être familiarisé avec les probabilités et l’algèbre linéaire. Vous n’avez pas besoin de maîtriser ces sujets, mais vous devez comprendre si un algorithme dit sous-espace, base, iid, indépendant, corrélation et tous ces termes, vous comprenez ce qu’ils signifient et ne les prenez pas “tels quels”. J’ai rencontré des personnes qui ont suivi 2 3 cours en ligne sur l’apprentissage automatique et appliqué 2,3 algor

Continuer la lecture

J’essaie d’apprendre le Machine Learning depuis un an et demi. Je pense donc être bien placé pour répondre à cette question.

Tout d’abord, et la chose la plus importante à retenir, c’est d’avoir des notions de base très claires. Par notions de base, je veux dire que vous devez être familiarisé avec les probabilités et l’algèbre linéaire. Vous n’avez pas besoin de maîtriser ces sujets, mais vous devez comprendre si un algorithme dit sous-espace, base, iid, indépendant, corrélation et tous ces termes, vous comprenez ce qu’ils signifient et ne les prenez pas “tels quels”. J’ai rencontré des personnes qui ont suivi 2 3 cours en ligne sur l’apprentissage automatique et appliqué des algorithmes 2,3 sur certains ensembles de données (en appliquant, je veux dire qu’ils copient simplement des éléments de github), et ils pensent qu’ils ont appris l’apprentissage automatique et sont prêts à résoudre la science des données problèmes. Croyez-moi, c’est une très mauvaise approche, de nos jours, il existe des bibliothèques qui ont de très bonnes API pour les tâches de ML, et vous pouvez les utiliser pour effectuer des tâches de ML. Mais le simple fait de les utiliser sans connaître les dessous du capot ne vous aidera pas à long terme. Alors mieux vaut commencer par les bases, les maths.

Une fois que vous avez terminé les mathématiques, commencez à lire de “bons” livres pour une compréhension théorique de l’apprentissage automatique. Mais rappelez-vous toujours de commencer à partir d’un livre d’introduction de base sur le ML et de ne pas sauter directement aux livres de fantaisie. Je recommanderais le livre de Tom Mitchell sur le ML pour commencer. Certaines personnes recommandent Duda et Hart pour les débutants, mais je pense que ce livre est trop théorique, ce qui n’est pas nécessaire dans le monde réel. Le livre de Tom Mitchell sur le ML est une bonne lecture.

Si vous en avez fini avec cela, commencez de “bons” cours en ligne sur l’apprentissage automatique, je vous recommande de regarder les vidéos d’Andrew Ng sur ML (version stanford, pas celle de coursera). Vous pouvez également regarder les vidéos de Caltech, elles sont également très bonnes. Commencez à lire le livre de Bishop sur l’apprentissage automatique. Cela constituera une base solide.

Une fois que vous avez terminé, commencez à appliquer ces concepts sur des données du monde réel (kaggle est votre meilleur coup, car les ensembles de données sont réels et vous donneront une idée de la façon dont la science des données est utilisée dans le monde réel). C’est la meilleure façon d’appliquer et de tester votre compréhension du ML.

Je pense que c’est une bonne voie pour apprendre le Machine Learning. Bonne chance !!

Étape 0 : Prérequis

L’apprentissage automatique peut sembler intimidant sans une introduction douce à ses prérequis. Vous n’avez pas besoin d’être un mathématicien professionnel ou un programmeur chevronné pour apprendre l’apprentissage automatique, mais vous devez avoir les compétences de base dans ces domaines.

La bonne nouvelle est qu’une fois que vous aurez rempli les conditions préalables, le reste sera assez facile. En fait, la quasi-totalité du ML consiste à appliquer des concepts de statistiques et d’informatique aux données.

Tâche : Assurez-vous que vous êtes au courant pour au moins la programmation et les statistiques.

Python →Vous ne pouvez pas utiliser l’apprentissage automatique à moins de savoir comment

Continuer la lecture

Étape 0 : Prérequis

L’apprentissage automatique peut sembler intimidant sans une introduction douce à ses prérequis. Vous n’avez pas besoin d’être un mathématicien professionnel ou un programmeur chevronné pour apprendre l’apprentissage automatique, mais vous devez avoir les compétences de base dans ces domaines.

La bonne nouvelle est qu’une fois que vous aurez rempli les conditions préalables, le reste sera assez facile. En fait, la quasi-totalité du ML consiste à appliquer des concepts de statistiques et d’informatique aux données.

Tâche : Assurez-vous que vous êtes au courant pour au moins la programmation et les statistiques.

Python →Vous ne pouvez pas utiliser le machine learning à moins de savoir programmer. Voici un guide de démarrage rapide : Comment apprendre Python pour la science des données, The Self-Starter Way et aussi ujjwalkarn/DataSciencePython. Vous devez également connaître la conception et l’analyse d’algorithmes (cours : Conception et analyse d’algorithmes)

Statistiques →Comprendre les statistiques, en particulier la probabilité bayésienne, est essentiel pour de nombreux algorithmes d’apprentissage automatique. Introduction à la probabilité – La science de l’incertitude est une bonne ressource pour les probabilités et les statistiques.

Algèbre linéaire et calcul →La recherche d’algorithmes originaux nécessite une base en algèbre linéaire et en calcul multivariable. Essence of linear algebra – YouTubecourse sur YouTube et Linear Algebra devrait suffire. Essence du calcul – YouTube est suffisant pour le calcul.

Étape 1 : Apprentissage automatique

Tâche : Suivez au moins un des cours ci-dessous.

Cours de science des données de Harvard →Cours de science des données de bout en bout. Bien que l’accent soit moins mis sur le ML que dans le cours d’Andrew Ng, vous vous entraînerez davantage à l’ensemble du flux de travail de la science des données, de la collecte de données à l’analyse. (Page d’accueil du cours | Vidéos et diapositives de cours | Devoirs à la maison)

Cours d’apprentissage automatique de Stanford → C’est le célèbre cours enseigné par Andrew Ng, et c’est la référence en matière d’apprentissage de la théorie de l’apprentissage automatique. Ces vidéos clarifient vraiment les concepts de base du ML. Si vous n’avez le temps que pour 1 cours, nous vous recommandons celui-ci. (Vidéos de cours)

Étape 2 : Pratiquez

  1. Pratiquez l’intégralité du workflow d’apprentissage automatique : collecte, nettoyage et prétraitement des données. Construction, réglage et évaluation de modèles.
  2. Entraînez-vous sur des ensembles de données réels : vous commencerez à vous faire une idée des types de modèles appropriés pour quels types de défis.
  3. Approfondissement sur des sujets individuels : par exemple, à l’étape 1, vous avez découvert les algorithmes de clustering. À l’étape 2, vous appliquerez différents types d’algorithmes de clustering sur des ensembles de données pour voir lesquels fonctionnent le mieux.

Après cette étape, vous serez prêt à vous attaquer à des projets plus importants sans vous sentir dépassé.

Guides de référence :

  • llSourcell/Learn_Machine_Learning_in_3_Months
  • josephmisiti/super-machine-learning
  • ujjwalkarn/Machine-Learning-Tutoriels
  • Mybridge/apprendre-machine-learning

Essayer d’apprendre rapidement l’apprentissage automatique est une recette pour un désastre. Il y a tellement de choses que vous devez savoir pour faire tout type de travail significatif.

Le mythe de l’ingénieur à l’aide d’outils.

Récemment, des fournisseurs de PaaS tels qu’AWS, Microsoft Azure, IBM Bluemix et Google Cloud ont commercialisé leurs plateformes d’apprentissage automatique comme des outils magiques qui feront de tout ingénieur logiciel un data scientist comme ça. Eh bien, c’est juste un non-sens marketing. Les outils ne sont pas bons sans une bonne compréhension des principes fondamentaux.

Un data scientist non qualifié fera plus de mal que de bien.

Le danger d’essayer de sauter directement dans

Continuer la lecture

Essayer d’apprendre rapidement l’apprentissage automatique est une recette pour un désastre. Il y a tellement de choses que vous devez savoir pour faire tout type de travail significatif.

Le mythe de l’ingénieur à l’aide d’outils.

Récemment, des fournisseurs de PaaS tels qu’AWS, Microsoft Azure, IBM Bluemix et Google Cloud ont commercialisé leurs plateformes d’apprentissage automatique comme des outils magiques qui feront de tout ingénieur logiciel un data scientist comme ça. Eh bien, c’est juste un non-sens marketing. Les outils ne sont pas bons sans une bonne compréhension des principes fondamentaux.

Un data scientist non qualifié fera plus de mal que de bien.

Le danger d’essayer de sauter directement dans l’apprentissage automatique professionnel est que vous pourriez créer quelque chose qui semble avoir du sens.

Avec d’autres domaines du génie logiciel, comme le développement Web, il est généralement très facile d’exposer quelque chose qui pue, car ce que vous voyez est ce que vous obtenez. En apprentissage automatique, vous obtenez pour la plupart un tas de chiffres. Il est souvent presque impossible pour l’utilisateur final de savoir s’ils ont du sens ou non.

Les hypothèses erronées sont mauvaises.

Un data scientist inexpérimenté peut entraîner un modèle et l’envoyer en production une fois que la précision atteint un pourcentage élevé, sans se soucier des hypothèses incorrectes qui ont été faites lors de cette opération.

Savoir quand votre modèle est surajusté et quand vous avez de fausses corrélations est quelque chose qui vient avec une solide compréhension théorique et une solide expérience.

Apprenez le machine learning de manière difficile, mais correcte.

C’est le meilleur conseil que je puisse donner à quelqu’un qui débute.

  1. Immergez-vous dans tout le matériel d’apprentissage que vous pouvez trouver. Assistez à des MOOC sur Coursera et Udacity. Recherchez des concepts sur Wikipedia et Quora. Regardez des conférences et des discussions sur YouTube. Lire des journaux et des livres.
  2. Commencez à pratiquer tôt, mais commencez petit. Implémentez des algorithmes simples comme la régression linéaire, la descente de gradient, le clustering k-means, les k-plus proches voisins et Bayes naïf avant de passer à des choses plus avancées.
  3. Implémentez des algorithmes à partir de zéro. Essayez de le faire une fois avec chaque algorithme avant de commencer à utiliser les bibliothèques. Ce n’est qu’ainsi que vous pourrez pleinement comprendre comment ils fonctionnent réellement.
  4. Commencez avec des jeux de données de jouets. Si vous ne pouvez pas faire fonctionner un algorithme sur un petit ensemble de données propre, il n’y a aucun moyen qu’il fonctionne sur un grand ensemble de données du monde réel désordonné.

Ce n’est que lorsque vous aurez franchi ces étapes que vous serez prêt à retirer les roues de la formation et à vous attaquer à de vrais problèmes commerciaux. Cela prendra du temps, mais il n’existe pas de solution miracle pour maîtriser l’apprentissage automatique.

C’est probablement la question la plus courante que l’on me pose ici sur Quora et j’ai passé du temps à réfléchir à un moyen de fournir des ressources aux personnes intéressées par l’intelligence artificielle et l’apprentissage automatique qui sont présentées dans un format facile à comprendre. .

Aujourd’hui, j’ai proposé un plan d’action.

J’ai décidé de lancer une série sur The Educational Blog sur l’intelligence artificielle et l’apprentissage automatique : Understanding Artificial Intelligence Series.

C’est le premier post qui passe en revue la motivation et le contenu de la série.

Motivation derrière cette série

Artificiel

Continuer la lecture

C’est probablement la question la plus courante que l’on me pose ici sur Quora et j’ai passé du temps à réfléchir à un moyen de fournir des ressources aux personnes intéressées par l’intelligence artificielle et l’apprentissage automatique qui sont présentées dans un format facile à comprendre. .

Aujourd’hui, j’ai proposé un plan d’action.

J’ai décidé de lancer une série sur The Educational Blog sur l’intelligence artificielle et l’apprentissage automatique : Understanding Artificial Intelligence Series.

C’est le premier post qui passe en revue la motivation et le contenu de la série.

Motivation derrière cette série

L’intelligence artificielle (IA) est un sujet très brûlant aujourd’hui.

Vous entendez aujourd’hui beaucoup de proclamations sombres et menaçantes de la part des médias au sujet de l’IA. Pas plus tard que la semaine dernière, un article exagéré affirmait que Facebook “fermait” son IA parce qu’il devenait trop intelligent.

Certaines personnes de haut niveau telles que Elon Musk et Stephen Hawking craignent beaucoup que si rien n’est fait, l’IA a la capacité d’être une menace de fin mondiale.

Une bonne partie de la population d’aujourd’hui s’inquiète également du potentiel de l’IA à déplacer des emplois et des conséquences qui en découlent au niveau socio-économique.

Il suffit de regarder les complétions les plus suggérées sur Google pour la phrase de recherche « Will AI… » pour voir que cette peur est bien réelle chez un bon nombre de personnes.

Mais dans quelle mesure cette peur est-elle vraiment justifiée ?

Je crois qu’une grande partie de la peur des capacités de l’IA se résume à un manque collectif de compréhension du fonctionnement réel de l’IA. Comment les ordinateurs font-ils preuve d’intelligence ? Que signifie vraiment l’intelligence dans ce contexte ? Quelles sont les limites de cette intelligence ? Comment créons-nous des systèmes intelligents ?

Fondamentalement, cela se résume à une question fondamentale.

Comment fonctionne vraiment l’IA ?

En tant que personne qui travaille dans le domaine de l’intelligence artificielle et aide à enseigner le cours d’intelligence artificielle à l’UC Berkeley, je vais tenter de démystifier ce domaine. Je vais essayer de le faire de manière simple. manière amusante et intuitive, d’autant plus que beaucoup de choses qui se passent dans l’IA moderne semblent nécessiter beaucoup de jargon technique.

Nous allons reprendre les choses à partir de la case départ. Je ferai de mon mieux pour faire très peu d’hypothèses sur les connaissances antérieures. Pour tout ce qui nécessite des connaissances préalables d’un point de vue mathématique ou informatique, je vais essayer d’expliquer en détail avant de continuer. Pour ceux d’entre vous qui souhaitent approfondir les sujets, je proposerai également des idées plus avancées et des liens vers des ressources qui pourraient vous être utiles.

Espérons que les gens à tous les niveaux trouveront cette série intéressante et instructive. Surtout, j’espère que vous commencerez tous à considérer l’intelligence artificielle comme un champ plein d’excitation plutôt qu’un champ caché par l’obscurité, l’incertitude et la peur.

Cette série apparaîtra sur The Educational Blog.

Voici une liste de sujets que je vais aborder dans cette série, et n’hésitez pas à me faire savoir dans les commentaires si vous voulez que je passe en revue d’autres sujets que j’aurais oubliés. L’ordre et le contenu de ceci peuvent changer si je vois quelque chose de mieux, alors gardez un œil sur les mises à jour.

Beaucoup de mes articles seront axés sur des histoires et des exemples, c’est pourquoi certains de ces titres peuvent sembler un peu particuliers. J’ai inclus les sujets formels entre parenthèses pour votre référence.

Indice

  1. Qu’est-ce que l’intelligence artificielle ?
  2. Où suis-je? (Espaces d’état)
  3. Paresse (graphiques et problème du plus court chemin)
  4. Way Out of My Depth (Profondeur d’abord recherche)
  5. Élargissement (recherche en largeur d’abord, recherche de coût uniforme)
  6. Devenir plus intelligent — la puissance de l’heuristique (Recherche A*)
  7. Je déteste me conformer aux règles (problèmes de satisfaction des contraintes)
  8. Jouons à quelques jeux (Game Trees, Minimax)
  9. Jouer à des jeux plus intelligemment (Élagage Alpha-Beta, Expectimax)
  10. Tout est incertain (introduction aux probabilités)
  11. Prendre des décisions dans un monde chaotique (processus de décision de Markov, itération de valeur)
  12. Prendre des décisions est difficile – Essayons simplement les choses (apprentissage par renforcement, Q-learning)
  13. Chaque action a des conséquences (réseaux bayésiens)
  14. Relations entre les actions (indépendance dans les réseaux bayésiens)
  15. Prédire les conséquences des actions (inférence dans les réseaux bayésiens)
  16. Prédire les conséquences des actions plus rapidement (échantillonnage dans les réseaux bayésiens)
  17. La connaissance est-elle vraiment un pouvoir (réseaux de décision et valeur de l’information parfaite)
  18. Hier tu as dit demain (chaînes de Markov)
  19. Commençons à observer (modèles de Markov cachés)
  20. Woah, j’ai des données maintenant (introduction à l’apprentissage automatique)
  21. Je suppose que je suis naïf (Naive Bayes)
  22. J’ai des voisins géniaux (K-Nearest Neighbours)
  23. Faire face au changement (Brève présentation du calcul)
  24. J’aime les lignes (régression linéaire)
  25. J’aime aussi la logistique (régression logistique)
  26. J’ai besoin d’assistance (Machines à vecteurs d’assistance)
  27. Décisions : dessinons quelques arbres (Arbres de décision)
  28. Introduire du chaos (forêts aléatoires)
  29. Enfin sans la supervision d’un adulte (apprentissage non supervisé)
  30. Où est mon cluster (k-Means)
  31. Simplifier, Simplifier (Réduction de la dimensionnalité et Analyse en Composantes Principales)
  32. Pensons aux choses plus profondément (Introduction à l’apprentissage en profondeur)
  33. Regard plus approfondi sur les lignes (Perceptrons)
  34. Je vois un cerveau (réseaux de neurones artificiels)
  35. Devrions-nous nous inquiéter (IA, société, éthique et avenir)

Des ressources incroyables sont fournies ici par de grands experts du domaine, bien que des étapes peu claires n’étaient pas connues lorsque j’ai commencé l’apprentissage automatique il y a deux ans.
Pour tous ceux qui veulent une idée rapide de la façon dont il faut commencer, c’est parti –

1. Suivez le cours d’Andrew Ng.
Au début, vous comprendrez à peine ce qui se passe, mais au fur et à mesure que le cours avance, vous apprécierez ces formules et comment elles optimisent les prédictions. Faites ces devoirs vous-même. Google est toujours là pour vous aider. On vous demandera de les faire avec Octave, ce qui est superbe à ce stade. Investissez vos presque 3 mois

Continuer la lecture

Des ressources incroyables sont fournies ici par de grands experts du domaine, bien que des étapes peu claires n’étaient pas connues lorsque j’ai commencé l’apprentissage automatique il y a deux ans.
Pour tous ceux qui veulent une idée rapide de la façon dont il faut commencer, c’est parti –

1. Suivez le cours d’Andrew Ng.
Au début, vous comprendrez à peine ce qui se passe, mais au fur et à mesure que le cours avance, vous apprécierez ces formules et comment elles optimisent les prédictions. Faites ces devoirs vous-même. Google est toujours là pour vous aider. On vous demandera de les faire avec Octave, ce qui est superbe à ce stade. Investissez vos presque 3 mois ici.

Une fois le cours terminé avec succès, si vous pensez connaître le Machine Learning, vous vous trompez. En fait, vous êtes au même point où vous avez commencé. Il est maintenant temps de bouger.

Vous avez les connaissances, vous devez les mettre en œuvre maintenant. Kaggle est votre place. Mais attendez. Et ton arme ? Sans arme comment vas-tu te battre ?
Choisissez d’abord votre arme. Deux armes étonnantes sont Python et R.

2. Mon arme est R. Datacamp est le meilleur endroit.

3. Maintenant, Kaggle.
Commencez par le bébé – Titanic Problem. Maintenant, vos prochains mois seront consacrés à l’exploration du monde Kaggle. La communauté Kaggle est très active. Vous apprendrez beaucoup en participant.
Appliquez autant de modèles que vous pensez sur le même problème. Comprenez le modèle de précision. Continuez à lire les approches gagnantes et de classement élevé. Bientôt, vous comprendrez quel modèle sera approprié pour un type de problème spécifique.

4. Pour optimiser vos résultats, continuez à explorer le modèle. Des ressources étonnantes sont déjà mentionnées.

5. Envie d’acquérir une réelle expérience/stage ?
Faites quelques projets et mentionnez les connaissances de vos différents modèles. Cela devrait suffire pour vous décrocher un stage.

Ce n’est qu’un début, plus vous allez en profondeur, plus cela devient intéressant.

PS – Optez pour cela uniquement si vous voyez l’apprentissage automatique comme votre avenir, car cela prend beaucoup de temps et de patience.

L’apprentissage automatique (ML) est devenu un sujet très populaire ces dernières années. Mais derrière le glamour de celui-ci, il y a une formation très intensive nécessaire pour être un vrai professionnel du ML. Le chemin pour devenir un expert en ML est un parcours marathon, pas un sprint jusqu’à l’arrivée. C’est un espace diversifié avec un paysage en constante évolution. Mais pour devenir un expert, vous devez commencer à partir de zéro.

Alors par où commencer ? Quelles sont les techniques et concepts essentiels que vous devriez apprendre avant de vous lancer dans des sujets d’apprentissage automatique plus avancés ? J’ai organisé un parcours d’apprentissage systématique en gardant toutes ces questions au minimum

Continuer la lecture

L’apprentissage automatique (ML) est devenu un sujet très populaire ces dernières années. Mais derrière le glamour de celui-ci, il y a une formation très intensive nécessaire pour être un vrai professionnel du ML. Le chemin pour devenir un expert en ML est un parcours marathon, pas un sprint jusqu’à l’arrivée. C’est un espace diversifié avec un paysage en constante évolution. Mais pour devenir un expert, vous devez commencer à partir de zéro.

Alors par où commencer ? Quelles sont les techniques et concepts essentiels que vous devriez apprendre avant de vous lancer dans des sujets d’apprentissage automatique plus avancés ? J’ai organisé un parcours d’apprentissage systématique en gardant toutes ces questions à l’esprit.

J’ai principalement fourni des termes directionnels. Ce serait très efficace si vous faisiez plus de recherches sur ceux-ci plutôt que de tout avoir dans un seul espace. De cette façon, vous pourrez explorer davantage ce domaine.

  1. Comprendre la science des données et démarrer avec Python
  • Comprendre la science des données
  • Que fait un Data Scientist ?
  • Mise en place du système
  • Débuter en Python
  • Pourquoi les statistiques sont-elles importantes ?
  • Statistiques descriptives
  • Introduction aux pandas et à Numpy

2. Mathématiques et statistiques

  • Introduction à la probabilité
  • Statistiques déductives
  • Analyse exploratoire des données (EDA)
  • Projets sur EDA
  • Bases de l’algèbre linéaire

À partir de maintenant, commencez à rejoindre les communautés de science des données en ligne. Vous pouvez les trouver sur différentes plateformes de médias sociaux comme Slack, Facebook, Telegram, etc.

3. Outils et techniques de ML (bases)

  • Comprendre le pipeline de la science des données
  • Régression linéaire
  • Régression logistique
  • Algorithme d’arbre de décision
  • Bayes naïf
  • Machines à vecteurs de support (SVM)
  • Projet de classement
  • Projet de régression
  • Apprentissage non supervisé
  • Projet d’apprentissage non supervisé

À présent, familiarisez-vous avec la ligne de commande et son interface.

4. Outils et techniques de ML (avancés)

  • Comprendre l’apprentissage d’ensemble
  • Forêt aléatoire
  • Booster les algorithmes (XGBoost, LightGBM, Catboost)
  • Des séries chronologiques
  • Projet de séries chronologiques

A présent, abonnez-vous à différentes newsletters et blogs Data Science.

5. Outils et techniques de ML (réglage et validation des hyperparamètres)

  • Stratégies de validation
  • Réglage des hyperparamètres
  • Ingénierie des fonctionnalités
  • Apprentissage d’Ensemble
  • Empilage et mélange

6. Outils et techniques de ML (systèmes de recommandation)

  • Algèbre matricielle
  • SVD et PCA
  • Travailler avec différents types de données
  • Systèmes de recommandation
  • Projet de systèmes de recommandation

À ce stade, commencez la création de profils et de CV. Commencez également à participer à des compétitions. Apprenez Git et GitHub. Commencez à écrire des blogs.

7. Premiers pas avec les réseaux de neurones/l’apprentissage en profondeur

  • Configuration du système pour le Deep Learning
  • Introduction à l’apprentissage en profondeur
  • Présentation de Keras

8. Vision par ordinateur (bases)

  • Comprendre les architectures d’apprentissage en profondeur – I (CNN)

9. Vision par ordinateur (avancé)

  • Projets sur la vision par ordinateur
  • Cours de vision par ordinateur

À présent, commencez à résoudre des estimations, des énigmes, des projets de réflexion stratégique et des études de cas.

10. Traitement du langage naturel (bases)

  • Comprendre les architectures DL – II (RNN, LSTM, GRU)
  • Pré-traitement/nettoyage du texte
  • Classification de texte

11. Traitement du langage naturel (avancé)

  • Modélisation de sujet
  • Résumé de texte
  • Incrustations de mots
  • Projets PNL
  • Cours PNL

12. Postuler pour un stage/un emploi

  • Stages et emplois
  • Améliorez vos cours de CV en science des données
  • Cours d’entrevue en science des données Ace
  • Aller de l’avant

Dans toutes les étapes ci-dessus, je vous ai donné une direction de départ pour commencer votre chasse. Il existe de nombreuses ressources en ligne, toutes variant sous différents aspects, comme l’image ci-dessus. C’est donc principalement à vous de découvrir votre propre méthodologie d’apprentissage. Commencez à rechercher les termes ci-dessus sur le moteur de recherche et visitez différents sites Web.

Il est très peu probable que vous rencontriez un chemin de revenus qui inclue tout cela. Il y aurait de nombreux cours de certification en ligne. Beaucoup d’entre eux seraient payés, mais la plupart d’entre eux ne seront pas crédibles. Je ne vous encourage donc pas à payer pour un cours, car tout le matériel d’apprentissage est disponible gratuitement et les certifications ne transmettent pratiquement aucune expertise. (c’est pourquoi j’insiste pour faire des recherches par vous-même)

Pour les débutants, je suggérerais de se diriger sur Coursera et de commencer par quelques cours préliminaires, selon ce qui vous convient. Progressivement, vous établirez les bases pour devenir un professionnel dans le domaine de l’apprentissage automatique.

Écrit par,

Jaydeep Ashtamkar

Les autres réponses disent « vous ne pouvez pas » ou « vous ne pouvez pas ». Je voulais donner une réponse plus pratique.

Concrètement, en termes de compétences, si vous connaissez beaucoup de mathématiques et pouvez facilement comprendre les hypothèses qui sous-tendent les modèles courants, vous apprendrez plus rapidement l’apprentissage automatique. Conner Davis, par exemple, en a parlé dans l’une de ses réponses, où il mentionne qu’il a regardé des cours d’apprentissage automatique de Coursera à la vitesse 2x, car il connaît suffisamment les mathématiques pour les comprendre immédiatement. J’ai eu une expérience similaire, étant une majeure en mathématiques.

Quelques exemples:

  • Si vous connaissez déjà SVD, alors PCA devrait

Continuer la lecture

Les autres réponses disent « vous ne pouvez pas » ou « vous ne pouvez pas ». Je voulais donner une réponse plus pratique.

Concrètement, en termes de compétences, si vous connaissez beaucoup de mathématiques et pouvez facilement comprendre les hypothèses qui sous-tendent les modèles courants, vous apprendrez plus rapidement l’apprentissage automatique. Conner Davis, par exemple, en a parlé dans l’une de ses réponses, où il mentionne qu’il a regardé des cours d’apprentissage automatique de Coursera à la vitesse 2x, car il connaît suffisamment les mathématiques pour les comprendre immédiatement. J’ai eu une expérience similaire, étant une majeure en mathématiques.

Quelques exemples:

  • Si vous connaissez déjà SVD, alors PCA devrait être immédiatement évident pour vous une fois que vous avez lu à ce sujet.
  • If you are very comfortable with matrices and partial derivatives, optimizing the loss functions of models is an easy concept, be it a closed form solution in the case of OLS, or gradient descent or stochastic gradient descent. This is not to say you would immediately know optimization theory, but in many cases you can just use gradient descent, and maybe pick up a textbook later to figure out something better.

Being good at math helps you avoid the danger of using bad assumptions or throwing models around haphazardly because you have a better intuitive understanding of what these things are actually calculating and predicting. It also helps you learn statistics and optimization theory more quickly, which is useful if you don’t already know a lot.

So math helps you learn faster, but then you have to actually put the work into learning. In my opinion, the best way to find motivation is to get a job related to machine learning because going to work for many hours a day guarantees you’ll be thinking about it. Additionally, in a work environment the goal is to find something useful, which is a good way to get used to thinking in terms of business constraints, value added, and good heuristics.

If you cannot get a job that uses machine learning, you can try to slowly pivot towards it. If you are starting from software engineering, try to do more data related stuff, and analysis related stuff. If you are starting from a business operations analyst kind of role, try to learn more about statistics and learn how to use code-based analysis tools instead of Excel.

Just my 2 cents.

L’apprentissage automatique consiste à apprendre aux ordinateurs à apprendre des données afin de faire des choix ou des prédictions.

Le véritable apprentissage automatique nécessite que l’ordinateur soit capable d’apprendre à reconnaître des modèles sans qu’on lui ait spécifiquement appris à le faire. Il se situe au carrefour de la statistique et de l’informatique, même s’il peut revêtir de nombreuses formes distinctes. Bien que l’apprentissage automatique se chevauche beaucoup avec ces domaines, il ne doit pas être regroupé avec eux. L’apprentissage automatique, par exemple, est un outil de science des données. C’est aussi une utilisation de l’infrastructure qui peut gérer de grandes quantités de données.

L’apprentissage automatique est en

Continuer la lecture

L’apprentissage automatique consiste à apprendre aux ordinateurs à apprendre des données afin de faire des choix ou des prédictions.

Le véritable apprentissage automatique nécessite que l’ordinateur soit capable d’apprendre à reconnaître des modèles sans qu’on lui ait spécifiquement appris à le faire. Il se situe au carrefour de la statistique et de l’informatique, même s’il peut revêtir de nombreuses formes distinctes. Bien que l’apprentissage automatique se chevauche beaucoup avec ces domaines, il ne doit pas être regroupé avec eux. L’apprentissage automatique, par exemple, est un outil de science des données. C’est aussi une utilisation de l’infrastructure qui peut gérer de grandes quantités de données.

Machine learning is in high demand all around the world. It is useful forseveral professions, like data scientists, software developers, and business analysts. Traditionally, students will spend months, if not years, learning the theory and mathematics underlying machine learning. And, I won’t lie, that is the best way to begin your journey. To enter the realm of Machine Learning, one must be well-equipped with mathematics and statistics. But, it is also wise to enrol in e-learning forums so that you may receie the intermediate-level training. Courses by Simplilearn, Skillslash, Edureka etc. prove to of utmost assistance under such circumstances.

But first, let’s discuss the beginners-step to learning Machine Learning.

  • Step 1: Targeted Practice – Targeted Practice is all about honing your abilities via the use of particular, intentional activities. The goal of this step is threefold:
  1. practise the entire machine learning workflow, which includes data collection, cleaning, and preprocessing.
  2. practise on real-world datasets that helps to develop intuition about which sorts of models are suited for various types of challenges.
  3. Deep dive into certain topics, such as learning about clustering algorithms and testing several types of clustering algorithms on datasets to determine which perform the best.
  • Step 2: Machine Learning Projects – We’ve gone over prerequisites, essential theory, and targeted practice thus far. We’re now ready to tackle some larger tasks. The objective of this stage is to practice incorporating machine learning approaches into full, end-to-end evaluations. Skillslash is a platform that provides the finest project experience as well as intriguing tasks to work on.
  • Step 3: Enrol in Online Courses – To receive the best intermediate-level Machine Learning Training, enrol in professional training programmes. Simplilearn, Skillslash, Edureka, and upGrad are some good examples.

Talking about online courses, Simplilearn’s Data Science Bootcamp is intended for working professionals and includes job-critical topics such as R programming, Python programming, Machine Learning methods, and NLP principles. UpGrad, too, is a good platform as it offers six distinct specialisations to select from, including Data Science Generalist, Deep Learning, and Natural Learning Processing.

The training provided by Edureka is also highly educational, hands-on, and project-based. Skillslash, on the other hand, has a competitive edge due to its course customization option and low-cost, high-quality programmes.

Let’s talk about some of the best characteristics of Skillslash in detail.

  1. Skillslash programs offer full live online sessions with enough of time to discuss your issues one-on-one. Students who enrol in Skillslash courses have access to 350+ hours of live sessions throughout the course of the 9-month programme. They have designed a low-cost course that costs Rs. 89,000 for professionals and Rs. 35,000 for freshmen.
  2. Skillslash presently offers two courses: the Full-stack AI and ML Program for professionals with one or more years of experience in IT or non-IT, and the Data Science and AI Program with Internship for recent graduates. The courses will prepare you for a job in the data science department of a range of global product-based organisations.
  3. Skillslash enables you to collaborate directly with entrepreneurs in your chosen field. Furthermore, all of Skillslash’s initiatives are centred on current business situations. Internship opportunities are made available to newcomers. As a result, at the end of the course, you will have received a highly regarded data science project experience certificate, which employers greatly respect.
  4. The best thing about Skillslash’s AI and ML courses is that you will be prepared for the interview by participating in mock interviews that are domain and designation specific. So you can image how much industry knowledge you would get if you participated in the Skillslash programme.
  5. They emphasise Project Experience, which is conducted by industry professionals, and provide customized courses to each individual depending on his or her unique needs. They provide students the opportunity to work directly with companies on Live Projects. They also provide students the chance to work on collaborative projects with start-ups in order to extend their portfolios and get project experience.

My final thoughts – There are a tonne of fantastic tutorials/courses to learn ML, however, it is sometimes hard for us to evaluate an ML course. So, seek assistance from the programming community, which has already recommended the best ML courses to all enthusiasts. Choose your path wisely and make excellent use of the resources available to you. Goodluck.

1. Set concrete goals or deadlines.

L’apprentissage automatique est un domaine riche qui se développe chaque année. Il peut être facile de descendre des terriers de lapin. Fixez-vous des objectifs concrets et continuez à avancer.

2. Marchez avant de courir.

Vous pourriez être tenté de vous lancer dans certains des sous-domaines les plus récents et à la pointe de l’apprentissage automatique, tels que l’apprentissage en profondeur ou la PNL. Essayez de rester concentré sur les concepts de base au début. Ces sujets avancés seront beaucoup plus faciles à comprendre une fois que vous aurez maîtrisé les compétences de base.

3. Alternez entre la pratique et la théorie.

Pratique et théorie vont de pair. Vous ne pourrez pas maîtriser la théorie avec l’esprit

Continuer la lecture

1. Fixez-vous des objectifs ou des délais concrets.

L’apprentissage automatique est un domaine riche qui se développe chaque année. Il peut être facile de descendre des terriers de lapin. Fixez-vous des objectifs concrets et continuez à avancer.

2. Marchez avant de courir.

Vous pourriez être tenté de vous lancer dans certains des sous-domaines les plus récents et à la pointe de l’apprentissage automatique, tels que l’apprentissage en profondeur ou la PNL. Essayez de rester concentré sur les concepts de base au début. Ces sujets avancés seront beaucoup plus faciles à comprendre une fois que vous aurez maîtrisé les compétences de base.

3. Alternez entre la pratique et la théorie.

Pratique et théorie vont de pair. Vous ne pourrez pas maîtriser la théorie sans l’appliquer, mais vous ne saurez pas quoi faire sans la théorie.

4. Écrivez quelques algorithmes à partir de zéro.

Once you’ve had some practice applying algorithms from existing packages, you’ll want to write a few from scratch. This will take your understanding to the next level and allow you to customize them in the future.

5. Seek different perspectives.

The way a statistician explains an algorithm will be different from the way a computer scientist explains it. Seek different explanations of the same topic.

6. Tie each algorithm to value.

For each tool or algorithm, you learn, try to think of ways it could be applied in business or technology. This is essential for learning how to “think” like a data scientist.

7. Don’t believe the hype.

Machine learning is not what the movies portray as artificial intelligence. It’s a powerful tool, but you should approach problems with rationality and an open mind. ML should just be one tool in your arsenal!

8. Ignore the show-offs.

Sometimes you’ll see people online debating with lots of math and jargon. If you don’t understand it, don’t be discouraged. What matters is: Can you use ML to add value in some way? And the answer is yes, you absolutely can.

9. Think “inputs/outputs” and ask “why.”

At times, you might find yourself lost in the weeds. When in doubt, take a step back and think about how data inputs and outputs piece together. Ask “why” at each part of the process.

10. Find fun projects that interest you!

Rome ne s’est pas construite en un jour, et vos compétences en apprentissage automatique ne le seront pas non plus. Choisissez des sujets qui vous intéressent, prenez votre temps et amusez-vous en cours de route.

En supposant que vous ayez au moins une formation en mathématiques (niveau licence).

Pour la recrue absolue (comme je l’étais, et je le suis toujours à juste titre), je suggérerais un début en douceur avec le cours Coursera de Pedro Domingos (même en regardant simplement les vidéos de la conférence) ici.

Cela a fonctionné à merveille pour moi parce que c’était le bon mélange de comédie (oui !), d’intuition et d’enseignement. J’étais accro dès le début.

Cela dit, j’ai passé une grande partie de mon temps à essayer de nombreuses autres ressources avant de tomber sur le cours de Pedro Domingos, et aucun des autres n’a vraiment cliqué pour moi aussi bien que le sien. Je me suis distrait et rétrogradé

Continuer la lecture

En supposant que vous ayez au moins une formation en mathématiques (niveau licence).

Pour la recrue absolue (comme je l’étais, et je le suis toujours à juste titre), je suggérerais un début en douceur avec le cours Coursera de Pedro Domingos (même en regardant simplement les vidéos de la conférence) ici.

Cela a fonctionné à merveille pour moi parce que c’était le bon mélange de comédie (oui !), d’intuition et d’enseignement. J’étais accro dès le début.

That said, I spent much of my time trying many other resources before I stumbled upon Pedro Domingos’ course, and none of the others really clicked for me as well as his did. I got distracted and demotivated by the middle of week 2 of Andrew Ng’s Coursera course quite a few times.

Once you feel confident enough/get bored of Domingos’ lectures, or god forbid, succumb to those absurd rumors that claim his course to be superficial, (Maybe. I’m not there yet) it’s safe to say you have gotten over the most difficult part of learning here: that of getting started.

From this point on, you can thrash around by yourself, on your way to greater heights (or depths, sometimes – careful now) leveraging any other resource out there. The other answers here and on this page have listed many such good ones. (Andrew Ng’s course comes highly recommended!)

You will figure out what methods work best for you. Most importantly though: Patience you must have, my young Padawan.

If you are lazier than I thought, don’t panic. All hope is not lost yet. Head over immediately to this article. Very readable introduction, and I know people who last had math in high school that understood it (most of it, anyway). And really, who wouldn’t want to read something that is titled ‘Machine Learning is Fun!’ ?

Speaking of fun, I implore you to get started. There are many like me who feel as this precocious young fellow did.

Je rêve d’un monde où cela est réel. Non. Pas un endroit où les enfants de 6 ans peuvent sauter les cours de mathématiques. Vous obtenez la dérive.

Bonne chance.

L’apprentissage automatique est l’étude des algorithmes informatiques qui aident à analyser les données, à apprendre des données et à s’améliorer de son expérience sans aucune intervention humaine.

RESSOURCES POUR APPRENDRE L’APPRENTISSAGE MACHINE

● FORMATION EN LIGNE :.

  1. Learnbay (recommandé)
  2. simplileapprendre
  3. Mise à niveau
  4. GrandApprentissage

● LIVRES :

1. Réseaux de neurones et apprentissage en profondeur par Michael Nielsen

2. Machine Learning pratique avec Scikit-Learn et TensFlow par Aurelien Geron

3. Une introduction à l’apprentissage statistique

Commençons donc par l’apprentissage automatique :

1 étape :- Langage de programmation (Python) :-Il existe plusieurs langages qui ont une connaissance de la machine

Continuer la lecture

L’apprentissage automatique est l’étude des algorithmes informatiques qui aident à analyser les données, à apprendre des données et à s’améliorer de son expérience sans aucune intervention humaine.

RESSOURCES POUR APPRENDRE L’APPRENTISSAGE MACHINE

● FORMATION EN LIGNE :.

  1. Learnbay (recommandé)
  2. simplileapprendre
  3. Mise à niveau
  4. GrandApprentissage

● LIVRES :

1. Réseaux de neurones et apprentissage en profondeur par Michael Nielsen

2. Machine Learning pratique avec Scikit-Learn et TensFlow par Aurelien Geron

3. Une introduction à l’apprentissage statistique

Commençons donc par l’apprentissage automatique :

1 Step :- Programming language(Python) :-There are several languages that have machine learning capabilities. Currently “R” and “Python” are the most widely used languages and there is sufficient support / community for both.Python is very versatile and flexible to use and also helps in creating prototypes at a fast rate for the testing of the product.

2.step :-STATISTICS:-Before you start serious development of machine learning it is good to have understanding of the descriptive and inferential statistics.

3.step:-PROBABILITY:-Probability helps to make decisions about incidents based on data patterns. Helps with a probabilistic system to plan, prepare, tun and test models.

4.step:-MACHINE LEARNING LIBRARIES:-Machine learning libraries are used for classification, regression, data modelling,time series analysis and avoid error and bugs with the help of logarithmic and exponential functions.

Some of the ML Libraries:,Numpy, Pandas,Scikit Learn, Statsmodels,Pytorch, NLTK.

5.step :-DEEP LEARNING ALGORITHMS WITH LIBRARIES:Deep learning libraries are used for fine-grain customization and flexibility and support distributed computing using data flow graphs.

Some of the DL Libraries: Theano, TensorFlow, Lasagne, Keras,MXNet.

My Own Experience recommended Learnbay ,provides IBM Certified Data science , Artificial Intelligence, Machine Learning courses. Their courses are suitable for working professionals, beginners and for the non-programmers.

Learnbay Offers courses to learn :-

  • Data science and Artificial Intelligence course
  • Artificial Intelligence and Machine Learning course
  • Data Science course for Managers

If you are a novice and you have no experience of machine learning, my recommendation is to take some course online.

I Hope it will help You !!!

Most asked Question related to How do I learn machine learning? :

  • Would-you-be-embarrassed-to-tell-someone-that-you-work-at-McDonalds-if-you-were-the-manager?
  • What-are-the-fields-in-which-we-can-work-after-learning-graphic-design?
  • Which-is-better-for-a-content-writing-course-Henry-Havin-or-IIM-skills?
  • Interested-in-R-D-what-are-the-opportunities-in-civil-engineering-arena?
  • How-do-I-work-while-am-still-in-college-What-kinds-of-jobs-can-I-work-on?
  • What-are-some-part-time-jobs-for-students-in-India-without-any-investment?
  • What-would-be-your-advice-on-looking-for-jobs-in-Australia?
  • Can-anyone-clear-the-UPSC-exam-with-10-months-of-preparation?
  • How-much-money-do-QA-testers-make?
  • Whos-happier-blue-collar-or-white-collar-workers?
  • What-is-the-best-to-do-after-biomedical-engineering?
  • How-is-Steve-Jobs-making-his-company-a-success?
  • How-and-where-does-people-find-jobs-after-MBA-in-Europe-1?
  • Do-jobs-care-if-you-have-a-tattoo?
  • What-is-the-best-way-to-get-noticed-by-employers-who-are-flooded-with-candidates?
  • How-can-I-find-a-job-in-the-USA-without-being-fluent-in-English?
  • Are-there-a-lot-of-jobs-for-electrical-engineering-graduates?
  • How-do-I-write-a-resume-if-I-have-never-had-a-job?
  • Which-types-of-jobs-are-offered-to-a-BCA-graduate?
  • Im-17-years-old-and-my-life-is-a-mess-I-have-no-job-no-friends-no-car-or-money-Im-always-sad-and-miserable-Everybody-around-me-is-the-opposite-What-is-the-point-of-living-when-everything-goes-wrong-and-I-clearly?
  • Is-it-easy-to-get-a-job-in-a-Canadian-bank-as-a-foreigner?
  • What-are-some-of-the-best-high-paying-work-from-home-jobs?
  • What-is-the-starting-salary-of-a-software-engineer-in-India?
  • Do-you-think-it-was-justified-for-some-to-vote-for-Trump-to-spite-the-liberals-though-they-did-not-want-him-to-be-president?
  • How-can-I-have-a-successful-interview?
  • What-should-I-choose-being-an-employee-or-entrepreneur?
  • What-should-I-do-after-engineering-if-I-dont-know-what-to-do-even-at-the-age-of-25?
  • What-is-the-impact-of-physical-appearance-during-an-interview?
  • Is-it-better-to-call-or-walk-in-for-an-applying-for-a-job-fastfood-type-work-for-teenagers?
  • How-important-is-confidence-during-a-job-interview?