Witam,
Chciałbym nauczyć się perfekcyjnie matematyki pod machine learning i deep learning, ale nie mam punktu zaczepienia. Znalazłem stronę etrapez i nie wiem czy opanowanie wiedzy z tych kursów wystarczy. Poradziłby ktoś? Umiem już coś z algebry liniowej i statystyki, ale nie do końca się dobrze czuje w tym temacie.
- Rejestracja:prawie 5 lat
- Ostatnio:prawie 3 lata
- Postów:24
0
- Rejestracja:prawie 5 lat
- Ostatnio:prawie 3 lata
- Postów:24
0
Ok dzięki! Czyli śmiało mogę powiedzieć, że po ogarnięciu tych kursów poradzę sobie z machine learning i deep learning od strony matematycznej?
Pyxis
W mojej ocenie absolutnie nie. Post, który zaakceptowałeś wygląda na napisany z przymrużeniem oka.
- Rejestracja:około 11 lat
- Ostatnio:około 2 godziny
- Postów:8409
0
Na Coursera kiedyś przechodziłem kurs o machine learning, na którym było dużo matematyki
https://www.coursera.org/learn/machine-learning
Ogólnie to taki kurs, na którym jednocześnie jest konkretne programowanie, ale też pokazuje od strony matematycznej jak to wygląda.
chociaż nie przeszedłem całego, ale może kiedyś wrócę.
Na Youtube też jest mnóstwo wykładów o matematyce i machine learning. Np. ten gostek:
nie pamiętam, czy widziałem ten filmik, ale oglądałem tutoriale tego gościa o innej tematyce(blockchain) i były spoko, fajnie tłumaczył.
Ogólnie dużo jest na Youtube rzeczy, które tłumaczą matmę związaną z ML. Można do woli wybierać te, które nam przypasują:
edytowany 1x, ostatnio: LukeJL
- Rejestracja:prawie 5 lat
- Ostatnio:prawie 3 lata
- Postów:24
0
Edit:
Oni mają jedną czy dwie playlisty z matmą do ML. Nie znam się, więc chciałbym się spytać czy to co oni tam mają wystarczy? Coś mało tych filmów o matematyce...
edytowany 1x, ostatnio: lacosta amigo
- Rejestracja:około 11 lat
- Ostatnio:około 2 godziny
- Postów:8409
0
Ale co to znaczy "wystarczy"?
Lepiej nie uczyć się "na zapas", tylko raczej postawić sobie konkretny cel i zacząć uczyć się konkretnej techniki / algorytmu machine learning (tak, żeby docelowo napisać prosty program, który implementuje dany algorytm/technikę).
I np. jak się pojawią gdzieś jakieś matematyczne pojęcia, to dopiero wtedy szukać informacji pod konkretne pojęcia. (co może być trudne, bo czasem jedno pojęcie zahacza o kilka innych, no ale wtedy człowiek dopiero widzi własną ignorancję).
Albo przejść jakiś kurs całościowy, na którym uczą jednocześnie ML jak i podstaw matematycznych (tak jak ten z linku Coursera, który wrzuciłem).
edytowany 2x, ostatnio: LukeJL
- Rejestracja:prawie 5 lat
- Ostatnio:prawie 3 lata
- Postów:24
0
Ok, czyli mogę Ci zaufać, że opanuję ML w takim stopniu, że śmiało będę mógł aplikować o juniora? Oczywiście zakładając, że wszystko czego nie będę rozumiał podczas kursu/książki się nauczę :)
- Rejestracja:prawie 5 lat
- Ostatnio:prawie 3 lata
- Postów:24
0
Ok, czyli mogę Ci zaufać, że opanuję ML w takim stopniu, że śmiało będę mógł aplikować o juniora? Oczywiście zakładając, że wszystko czego nie będę rozumiał podczas kursu/książki się nauczę :)
- Rejestracja:około 11 lat
- Ostatnio:około 2 godziny
- Postów:8409
1
Nikt ci nie da takiej gwarancji.
Ogólnie myślę, że ludzie zbyt często szukają czegoś, co ma być "pewnikiem", szczególnie jeśli chodzi o gwarancję pracy w przyszłości.
śmiało będę mógł aplikować
Aplikować zawsze możesz. A śmiałość to cecha psychologiczna (pomocna w zrobieniu dobrego wrażenia na rekrutacji, ale nie musi wynikać z umiejętności). Ale czy cię wezmą to zależy m.in. od tego, czy będziesz na tyle dobry, że przejdziesz rekrutację w konkretnej firmie.
Ale o konkretne wymagania na juniora w machine learning to mnie nie pytaj - wrzuciłem linki, bo się kiedyś tego uczyłem (ot tak, bo to ciekawe), ale moja działka to frontend.
- Rejestracja:około 8 lat
- Ostatnio:2 minuty
- Postów:4891
2
https://www.google.com/search?safe=off&client=firefox-b-d&sxsrf=ALeKk03yfGzy3n4ph_cPRzRLwCTa_cPkeQ%3A1590174059470&ei=ayHIXqiNHMP9rgTjpqO4Cw&q=mathematics+for+machine+learning+pdf&oq=mathematics+for+machine+learning+pdf&gs_lcp=CgZwc3ktYWIQAzIECAAQQzICCAAyBggAEBYQHjIGCAAQFhAeMgYIABAWEB4yBggAEBYQHjIGCAAQFhAeMgYIABAWEB4yBggAEBYQHjIGCAAQFhAeOgQIABBHOgUIABDLAToHCAAQFBCHAlCTLlj2NmC5OWgAcAF4AIABogKIAY8GkgEFMC4zLjGYAQCgAQGqAQdnd3Mtd2l6&sclient=psy-ab&ved=0ahUKEwjo7sf_k8jpAhXDvosKHWPTCLcQ4dUDCAs&uact=5
https://explained.ai/
http://neuralnetworksanddeeplearning.com/
- Rejestracja:około 11 lat
- Ostatnio:około 2 godziny
- Postów:8409
1
książka "Mathematics for Machine Learning"
https://mml-book.github.io/
można pobrać za darmo w PDF
i tam niby jest wytłumaczona matematyka pod machine learning, jednak ja wolę to traktować jako ogólny przewodnik i się uczyć z Youtube'a, bo łatwiej.
A na kanale "StatQuest with Josh Starmer" jest prosto wytłumaczona matematyka pod machine learning, z ilustracjami itp.:
Albo Socratica - na tym koncie są różne rzeczy, ale również przystępne wyjaśnienia pewnych pojęć z matematyki.
np.
(jeszcze m.in. coś o Pythonie tam coś jest).
Poza tym teraz przechodzę taki kurs od Stanforda o computer vision (CS231n: Convolutional Neural Networks for Visual Recognition) i tam omawiają po kolei tematykę i przetykają ją matmą. Czyli oglądając możesz zobaczyć, jaka tematyka z matmy jest potrzebna i jak czegoś nie znasz, to możesz zapauzować i się douczyć.
natomiast ten kurs wydaje się dość łatwy, nie przytłaczają od razu matmą na wstępie (ale dopiero na drugim wykładzie jestem).
edytowany 2x, ostatnio: LukeJL
- Rejestracja:prawie 6 lat
- Ostatnio:prawie 4 lata
- Lokalizacja:Warszawa
- Postów:2918
0
Nie wypowiem się co do ML, ale na początek, na poziomie 1/2 rok studiów zwykłej informatyki polecam (bardzo przystępne, sam przerabiałem):
_
shorturl.at/bluBG
(ostatni link kończy się _ i nie chciał mi się wkleić)
edytowany 3x, ostatnio: BraVolt
- Rejestracja:około 6 lat
- Ostatnio:około 15 godzin
- Postów:160
0
Entry lvl (wymagania: analiza na poziomie matury rozszerzonej, algebra na poziomie rachunku macierzowego):
- https://www.probabilitycourse.com/ - książka online nt. rachunku prawdopodobieństwa (od totalnych podstaw dla licealisty aż po np. zmienne niezależne, CLT, estymatory, p_values) Dlaczego warto? 1. Zdaję się, że celem autora był niski próg wejścia 2. Posiada zadania z odpowiedziami
- https://statisticsbyjim.com/ - regresja liniowa praktyce (założenia, wykrywanie odstępstw, błedy interpretacji) - pogadanka o doświadczeniach używania tego modelu. Dlaczego warto? 1. Dostajemy "intuition" nt. odwiecznego kompromisu, jakim jest "inference vs prediction" oraz błędu myślowego, jakim jest "correlation vs causation"
- - wykłady z machine learning (szeroki zakres) + podstawy ML (prawdopodobieństwo, teoria miary). Zakres naprawdę bardzo szeroki, odpowiada mniej więcej 4-em do 6-u przedmiotom na uczelni. Dlaczego warto? 1. Po prostu gość dobrze tłumaczy (dużo wizualizuje i mówi sporo o historii i zastosowaniach) 2. Szeroki zakres (dobry pretendent na osobistą "biblię" do ML).
- - tak jak poprzedni, jednak są różnice. Różnice na minus: węższy zakres, mniej matmy. Różnice na plus: lepsze wizualizacje.
Advanced (wymagania: Bayesian vs Frequentist, prawd. warunkowe, programowanie)
- http://cs229.stanford.edu/ - machine learning (o dziwo wąski zakres) Dlaczego warto? 1. Bardzo dobre zadania do zakodzenia. Zrobienie jednego potrafi zająć kilka dni, a istota zadania zostaje "wyryta" w pamięci.
edytowany 4x, ostatnio: dedicated