machine learning for software engineers Download - machine learning for software engineers Quellcode-Download

machine learning for software engineers

AI-Quellcode

1.0.0

Herunterladen

Top-down-Lernpfad: Maschinelles Lernen für Softwareentwickler

Inspiriert von der Coding Interview University.

Übersetzungen: Brasilianisches Portugiesisch | 中文版本 | Französisch | 臺灣華語版本

Wie ich (Nam Vu) vorhabe, Ingenieur für maschinelles Lernen zu werden

Was ist das?

Dies ist mein mehrmonatiger Studienplan für den Übergang vom mobilen Entwickler (Autodidakt, kein CS-Abschluss) zum Ingenieur für maschinelles Lernen.

Mein Hauptziel war es, einen Ansatz für das Studium des maschinellen Lernens zu finden, der hauptsächlich praxisorientiert ist und den Großteil der Mathematik für Anfänger abstrahiert. Dieser Ansatz ist unkonventionell, da es sich um einen Top-down- und ergebnisorientierten Ansatz handelt, der für Softwareentwickler entwickelt wurde.

Bitte zögern Sie nicht, Beiträge zu leisten, von denen Sie glauben, dass sie zur Verbesserung beitragen.

Inhaltsverzeichnis

Was ist das?
Warum es verwenden?
Wie man es benutzt
Folgen Sie mir
Denken Sie nicht, dass Sie nicht schlau genug sind
Über Videoressourcen
Vorausgesetztes Wissen
Der Tagesplan
Motivation
Übersicht über maschinelles Lernen
Beherrschung des maschinellen Lernens
Maschinelles Lernen macht Spaß
Inky Machine Learning
Maschinelles Lernen: Ein ausführlicher Leitfaden
Geschichten und Erlebnisse
Algorithmen für maschinelles Lernen
Einsteigerbücher
Praktische Bücher
Kaggle-Wissenswettbewerbe
Videoserie
MOOC
Ressourcen
Werden Sie ein Open-Source-Mitwirkender
Spiele
Podcasts
Gemeinschaften
Konferenzen
Interviewfragen
Meine Lieblingsunternehmen

Warum es verwenden?

Ich verfolge diesen Plan, um mich auf meinen zukünftigen Job vorzubereiten: Ingenieur für maschinelles Lernen. Ich entwickle seit 2011 native mobile Anwendungen (Android/iOS/Blackberry). Ich habe einen Abschluss in Software-Ingenieurwesen, keinen Abschluss in Informatik. Ich verfüge über ein paar Grundkenntnisse in den Bereichen Infinitesimalrechnung, lineare Algebra, diskrete Mathematik, Wahrscheinlichkeitstheorie und Statistik von der Universität. Denken Sie an mein Interesse am maschinellen Lernen:

Kann ich maschinelles Lernen erlernen und einen Job bekommen, ohne CS Master und PhD zu studieren?
- „Das kannst du, aber es ist viel schwieriger als damals, als ich ins Feld kam.“ Drac Smith
Wie bekomme ich einen Job im Bereich Maschinelles Lernen als Softwareprogrammierer, der sich selbst mit Maschinellem Lernen beschäftigt, aber nie die Chance hat, es bei der Arbeit anzuwenden?
- „Ich stelle für mein Team Experten für maschinelles Lernen ein und Ihr MOOC wird Ihnen den Job nicht verschaffen (weiter unten gibt es bessere Neuigkeiten). Tatsächlich werden viele Leute mit einem Master in maschinellem Lernen den Job nicht bekommen, weil sie (und die meisten, die … Ich habe MOOCs besucht) habe kein tiefes Verständnis, das mir helfen würde, meine Probleme zu lösen. Ross C. Taylor
Welche Fähigkeiten sind für maschinelle Lernaufgaben erforderlich?
- „Erstens müssen Sie über einen guten CS/Mathe-Hintergrund verfügen. ML ist ein fortgeschrittenes Thema, daher gehen die meisten Lehrbücher davon aus, dass Sie über diesen Hintergrund verfügen. Zweitens ist maschinelles Lernen ein sehr allgemeines Thema mit vielen Unterspezialitäten, die einzigartige Fähigkeiten erfordern. Vielleicht möchten Sie um den Lehrplan eines MS-Programms in maschinellem Lernen zu durchsuchen, um den Kurs, den Lehrplan und das Lehrbuch anzuzeigen. Uri
- „Wahrscheinlichkeit, verteiltes Rechnen und Statistik.“ Hortensie

Ich befinde mich in schwierigen Zeiten.

AFAIK, maschinelles Lernen hat zwei Seiten:

Praktisches maschinelles Lernen: Hier geht es um das Abfragen von Datenbanken, das Bereinigen von Daten, das Schreiben von Skripten zur Datentransformation und das Zusammenfügen von Algorithmen und Bibliotheken sowie das Schreiben von benutzerdefiniertem Code, um zuverlässige Antworten aus Daten herauszuholen und schwierige und schlecht definierte Fragen zu beantworten. Es ist das Durcheinander der Realität.
Theoretisches maschinelles Lernen: Hier geht es um Mathematik und Abstraktion sowie idealisierte Szenarien und Grenzen und Schönheit und darum, zu informieren, was möglich ist. Es ist viel ordentlicher und sauberer und vom Chaos der Realität entfernt.

Ich denke, der beste Weg für eine praxisorientierte Methodik ist so etwas wie „Üben – Lernen – Üben“, das heißt, die Studierenden kommen zunächst mit einigen bestehenden Projekten mit Problemen und Lösungen (Praxis), um sich mit traditionellen Methoden in diesem Bereich vertraut zu machen und vielleicht auch mit ihrer Methodik. Nachdem sie mit einigen elementaren Erfahrungen geübt haben, können sie in die Bücher gehen und die zugrunde liegende Theorie studieren, die als Leitfaden für ihre zukünftige fortgeschrittene Praxis dient und ihren Werkzeugkasten zur Lösung praktischer Probleme erweitert. Das Studium der Theorie verbessert auch ihr Verständnis für die elementaren Erfahrungen und hilft ihnen, sich schneller fortgeschrittene Erfahrungen anzueignen.

Es ist ein langer Plan. Es wird Jahre dauern. Wenn Sie bereits mit viel davon vertraut sind, wird es viel weniger Zeit in Anspruch nehmen.

Wie man es benutzt

Alles, was unten steht, ist eine Übersicht, und Sie sollten die Punkte in der Reihenfolge von oben nach unten angehen.

Ich verwende die spezielle Markdown-Variante von Github, einschließlich Aufgabenlisten zur Überprüfung des Fortschritts.

Erstellen Sie einen neuen Zweig, damit Sie Elemente wie diesen überprüfen können. Geben Sie einfach ein x in die Klammern ein: [x]

Mehr über Markdown mit Github-Geschmack

Folgen Sie mir

Ich bin ein vietnamesischer Software-Ingenieur, der wirklich leidenschaftlich ist und in den USA arbeiten möchte.

Wie viel habe ich während dieses Plans gearbeitet? Ungefähr 4 Stunden/Nacht nach einem langen, anstrengenden Arbeitstag.

Ich bin auf der Reise.

Twitter: @Nam Vu


USA zum Teufel

Denken Sie nicht, dass Sie nicht schlau genug sind

Ich werde von Büchern und Kursen entmutigt, in denen mir gleich beim Aufschlagen gesagt wird, dass multivariate Analysis, Inferenzstatistik und lineare Algebra Voraussetzung sind. Ich weiß immer noch nicht, wie ich anfangen soll ...

Was ist, wenn ich nicht gut in Mathematik bin?
5 Techniken zum Verständnis von Algorithmen für maschinelles Lernen ohne Vorkenntnisse in Mathematik
Wie lerne ich maschinelles Lernen?

Über Videoressourcen

Einige Videos sind nur verfügbar, wenn Sie sich für einen Coursera- oder EdX-Kurs anmelden. Dies ist kostenlos, aber manchmal finden die Kurse nicht mehr statt, sodass Sie ein paar Monate warten müssen und keinen Zugang haben. Ich werde im Laufe der Zeit weitere Videos aus öffentlichen Quellen hinzufügen und die Online-Kursvideos ersetzen. Ich nutze gerne Universitätsvorlesungen.

Vorausgesetztes Wissen

Dieser kurze Abschnitt besteht aus Voraussetzungen/interessanten Informationen, die ich lernen wollte, bevor ich mit dem Tagesplan beginne.

Was ist der Unterschied zwischen Datenanalyse, Datenanalyse, Data Mining, Data Science, maschinellem Lernen und Big Data?
Lernen, wie man lernt
Brechen Sie nicht die Kette
So lernen Sie selbstständig

Der Tagesplan

Um jedes Fach vollständig zu verstehen, braucht man nicht einen ganzen Tag, sondern man kann mehrere davon an einem Tag erledigen.

Jeden Tag nehme ich ein Thema aus der Liste unten, lese es von Anfang bis Ende durch, mache mir Notizen, mache die Übungen und schreibe eine Implementierung in Python oder R.

Motivation

Traum

Übersicht über maschinelles Lernen

Eine visuelle Einführung in maschinelles Lernen
Sanfter Leitfaden zum maschinellen Lernen
Einführung in maschinelles Lernen für Entwickler
Grundlagen des maschinellen Lernens für einen Neuling
Wie erklärt man Nicht-Informatikern maschinelles Lernen und Data Mining?
Maschinelles Lernen: Unter der Haube. Der Blogbeitrag erklärt die Prinzipien des maschinellen Lernens in Laienbegriffen. Einfach und klar
Was ist maschinelles Lernen und wie funktioniert es?
Wie wird man Ingenieur für maschinelles Lernen?
~~[] Deep Learning – Eine nicht-technische Einführung~~ [ENTFERNT]

Beherrschung des maschinellen Lernens

Die Machine Learning Mastery-Methode
Maschinelles Lernen für Programmierer
Angewandtes maschinelles Lernen mit Beherrschung des maschinellen Lernens
Minikurs zum maschinellen Lernen in Python
Minikurs „Algorithmen für maschinelles Lernen“.

Maschinelles Lernen macht Spaß

Maschinelles Lernen macht Spaß!
Teil 2: Mithilfe von maschinellem Lernen Super Mario Maker-Level generieren
Teil 3: Deep Learning und Faltungs-Neuronale Netze
Teil 4: Moderne Gesichtserkennung mit Deep Learning
Teil 5: Sprachübersetzung mit Deep Learning und die Magie der Sequenzen
Teil 6: Wie man Spracherkennung mit Deep Learning durchführt
Teil 7: Missbrauch generativer gegnerischer Netzwerke zur Erstellung von 8-Bit-Pixelkunst
Teil 8: Wie man neuronale Netze absichtlich austrickst

Inky Machine Learning

Teil 1: Was ist maschinelles Lernen?
Teil 2: Überwachtes Lernen und unüberwachtes Lernen

Maschinelles Lernen: Ein ausführlicher Leitfaden

Überblick, Ziele, Lernarten und Algorithmen
Datenauswahl, -aufbereitung und -modellierung
Modellbewertung, Validierung, Komplexität und Verbesserung
Modellleistung und Fehleranalyse
Unüberwachtes Lernen, verwandte Bereiche und maschinelles Lernen in der Praxis

Geschichten und Erlebnisse

Algorithmen für maschinelles Lernen

10 Algorithmen für maschinelles Lernen, die einem „Soldat“ erklärt werden
Die 10 besten Data-Mining-Algorithmen im Klartext
10 Begriffe des maschinellen Lernens in einfachem Englisch erklärt
Eine Tour durch maschinelle Lernalgorithmen
Die 10 Algorithmen, die Ingenieure für maschinelles Lernen kennen müssen
Vergleich überwachter Lernalgorithmen
Algorithmen für maschinelles Lernen: Eine Sammlung minimaler und sauberer Implementierungen von Algorithmen für maschinelles Lernen
KNN-Algorithmus im maschinellen Lernen

Einsteigerbücher

Data Smart: Mit Data Science Informationen in Erkenntnisse umwandeln 1. Auflage
Data Science for Business: Was Sie über Data Mining und datenanalytisches Denken wissen müssen
Predictive Analytics: Die Fähigkeit, vorherzusagen, wer klicken, kaufen, lügen oder sterben wird

Praktische Bücher

Kaggle-Wissenswettbewerbe

Kaggle-Wettbewerbe: Wie und wo beginnen?
Wie ein Anfänger kleine Projekte nutzte, um in das maschinelle Lernen einzusteigen und sich bei Kaggle zu behaupten
Meistern Sie Kaggle, indem Sie konsequent an Wettkämpfen teilnehmen

Videoserie

MOOC

Ressourcen

Spiele

Halite: KI-Codierungsspiel
Vindinium: KI-Programmierherausforderung
Allgemeiner Videospiel-KI-Wettbewerb
Angry Birds KI-Wettbewerb
Die KI-Spiele
Kampfspiel-KI-Wettbewerb
CodeCup
StarCraft-KI-Turnier für Studenten
AIIDE StarCraft KI-Wettbewerb
CIG StarCraft KI-Wettbewerb
CodinGame – KI-Bot-Spiele

Werden Sie ein Open-Source-Mitwirkender

tensorflow/magenta: Magenta: Musik- und Kunstgenerierung mit maschineller Intelligenz
tensorflow/tensorflow: Berechnung mithilfe von Datenflussdiagrammen für skalierbares maschinelles Lernen
cmusatyalab/openface: Gesichtserkennung mit tiefen neuronalen Netzen.
tensorflow/models/syntaxnet: Neuronale Modelle der Syntax.

Podcasts

Podcasts für Einsteiger:
- Sprechende Maschinen
- Lineare Exkurse
- Datenskeptiker
- Diese Woche zum Thema Maschinelles Lernen und KI
- Leitfaden zum maschinellen Lernen
Interviews mit ML-Praktikern, Forschern und Kagglern über ihre Reise
- Chai Time Data Science, Audio, Aufsätze
- Maschinelles Lernen für Anfänger – Interviews, Audio
„Mehr“ fortgeschrittene Podcasts
- Teilweise abgeleitet
- O'Reilly Data Show
- Nicht so Standardabweichung
Podcasts zum Querdenken:
- Datengeschichten

Gemeinschaften

Quora
- Maschinelles Lernen
- Statistiken
- Data Mining
Reddit
- Maschinelles Lernen
- Computer Vision
- Natürliche Sprache
- Datenwissenschaft
- Big Data
- Statistiken
Daten Tau
Deep-Learning-Neuigkeiten
KDnuggets