Ochrona Twojego doświadczenia

Przegląd najlepszych kursów uczenia maszynowego online


24 / czerwca / 21 Piotr Cieślik Goście: 56 Ocena:

 

 

Zwracamy uwagę na wybór kursów online, które pomogą Ci rozpocząć drogę do uczenia maszynowego, oczywiście, jeśli angielski nie jest dla ciebie problemem.

 

Lubię brać udział w różnych kursach online, ponieważ znajduje w nich dodatek do czytania książek. Większość takich kursów jest interesująca, a uczestnictwo w kursach Online jest dobrym sposobem na nauczenie się czegoś nowego, a także utrzymanie umiejętności na dobrym poziomie (jest to szczególnie dobra opcja dla tych, którzy nie piszą kodu każdego dnia). W tej chwili ukończyłem już kilka kursów uczenia maszynowego online i myślę, że mogę odpowiedzieć, które z tych kursów zasługują na twoją uwagę. Nawiasem mówiąc, przez słowo "Zakończ" mam na myśli"rozpocznij kurs, podążaj za nim, wykonuj zadania i zdaj egzaminy"... Przynajmniej dla większości. Proponuję zapoznać się z podsumowaniem kursów uczenia maszynowego online od najlepszych do najgorszych.

 

Uczenie maszynowe w Coursera 

Uczenie maszynowe w Coursera było pierwszą rzeczą, którą wziąłem. W tym czasie Coursera jeszcze nie istniała, a kurs był prowadzony przez Stanforda. Nadal jest moim ulubionym i chcę przede wszystkim polecić kurs Andrew Angie (Andrew Ng).

 

Plus:

 

Trudno jest dopasować bardziej przydatne informacje do kursu wprowadzającego

Doskonale połączona teoria, praktyka i pewna głęboka wiedza

Brak:

 

Praktyczne zadania w oktawie? Myślę, że byłoby o wiele lepiej, gdyby używali Pythona.

 

Machine Learning Foundations

 

Machine Learning Foundations: Studium Przypadku

Nowy kurs Carlosa Gestrina i Emily Fox (Carlos Gestrin i Emily Fox) z University of Washington, który niedawno ukończyłem i chcę zaproponować jako alternatywę dla poprzedniego.

 

Plus:

 

Podobnie jak w poprzednim, chcę zauważyć, że program nauczania jest pięknie skomponowany i zapewnia dobry wgląd w uczenie maszynowe.

Przykłady w praktyce. Osobiście podoba mi się to, że używają Pythona, a mianowicie IPython Notebooks do ćwiczeń. Należy również zauważyć, że ćwiczenia opierają się na rzeczywistych zestawach danych.

Brak:

 

Niektórym może się wydawać, że na kursie brakuje dogłębnego materiału lub że jest on zbyt lekki. Osobiście uważam, że jest to normalne w przypadku kursu, który jest częścią ogromnej serii. Nie zapominaj, że to tylko wprowadzenie do uczenia maszynowego, ale faktem jest, że jest mniej dogłębnych materiałów niż w poprzednim.

O kolejnej wadę nauczyciela mówi się otwarcie, ale fakt, że sam kurs jest w pewnym stopniu reklamą Platformy Graphlab i Amazon w mniejszym stopniu, może nie spodobać się niektórym. Wynika to z faktu, że nauczyciele mają coś wspólnego zarówno z jednym, jak i drugim. Szczerze mówiąc, nie rozpraszało mnie to zbytnio, ale i tak postanowiłem o tym porozmawiać.

 

 

 Wprowadzenie do sztucznej inteligencji

 

Jak sama nazwa wskazuje, kurs ten pochodzi od Petera Norviga i Sebastiana Trana (Peter Norvig i Sebastian Thrun), chociaż jest związany z uczeniem maszynowym, ale nie uważa go za GŁÓWNY CEL. Zawiera rozdział poświęcony uczeniu maszynowemu i jest bardzo pouczający. Zawiera takie rzeczy, jak wydobywanie przydatnych informacji z tekstu lub przetwarzanie języka naturalnego.

 

Plus:

 

Program nauczania jest pięknie skomponowany i dobrze przedstawiony

Stosowane jest praktyczne podejście, jednak istnieje dobra równowaga między teorią a praktyką

Ciekawe ćwiczenia i trudne testy

Obejmuje takie tematy, jak przetwarzanie języka naturalnego, które nie są obecne we wszystkich kursach

Brak:

 

To nie jest dokładnie kurs uczenia maszynowego

 

 

Wprowadzenie do szkolenia statystycznego

 Jestem podekscytowany tym kursem Trevora Hastiego i Roba Tibshirani (Trevor Hasti i Rob Tibshirani), jednak nie polecam go jako ogólnego kursu uczenia maszynowego. Ode mnie zebrał więcej minusów niż plusów.

 

Plus:

 

Z tytułu jasno wynika, że Kurs zawiera bardziej dogłębny materiał z matematyki i statystyki

Z kursów wprowadzających ten jest prawdopodobnie jedynym, w którym napotkasz pojęcia statystyczne, takie jak przedział pewności lub wartość p

Brak:

 

Kurs zawiera zbyt wiele "podstawowych tematów", a czasami nie wiesz, na czym się skupić. Musimy zmierzyć się z pojęciami takimi jak liniowa analiza dyskryminatora wraz z regresją logistyczną.

Kurs wydaje się bardzo starą szkołą, która od dawna nie aktualizuje programu nauczania. Na przykład większość programistów praktykujących dziś uczenie maszynowe zrozumie Skrót "LDA" jako "Latent Dirichlet Allocation" (ukryta Dystrybucja Dirichleta). Jeśli zamierzasz użyć "LDA" dla "Linear Discriminant Analysis" (liniowa Analiza dyskryminacyjna), pamiętaj, że niektórzy mogą cię nie zrozumieć.

Podczas kursu niektóre wskazówki udzielane przez nauczycieli nie są do końca prawdziwe z praktycznego punktu widzenia. Aby wyjaśnić: z teoretycznego punktu widzenia wszystko jest prawdą, ale podczas pisania kodu te wskazówki mogą cię mylić, jeśli dopiero zaczynasz naukę maszynową.

Praktyczne zadania w języku R to po prostu strata czasu. Bardzo często złożone i czasochłonne zadania nie mają związku z obszarami uczenia maszynowego, które mogą być interesujące do nauczenia się.

Wiele pytań na testach jest mylących, a niektóre są całkowicie błędne.

 

 

Probabilistyczne Modele Graficzne

 Jest to prawdopodobnie jedyny kurs online, który rozpocząłem, ale nie ukończyłem. I to był powód. Kurs Daphne Koller był bardzo nudny i trudny do awansu (nie z powodu trudnych zadań, ale dlatego, że często trudno było znaleźć motywację). Chociaż sam temat jest bardzo interesujący, polecam ten kurs tylko tym, którzy uważają probabilistyczne modele graficzne za swoją pasję.

 

Plus:

 

Szczegółowa analiza interesującego tematu uczenia maszynowego

Materiał pogłębiony

Brak:

 

Nudny i niemotywowany

Mało praktyki.

 

Komentarze 0