machine learning for software engineers
1.0.0
コーディング面接大学からインスピレーションを受けました。
翻訳: ブラジルポルトガル語 | 中文版 |フランセ | 臺灣華語版本
私 (Nam Vu) が機械学習エンジニアになる方法
これは、モバイル開発者 (独学、CS の学位なし) から機械学習エンジニアになるための私の複数か月にわたる学習計画です。
私の主な目標は、初心者向けに主に実践的で数学の大部分を抽象化した機械学習の学習アプローチを見つけることでした。このアプローチは、ソフトウェア エンジニア向けに設計されたトップダウンかつ結果第一のアプローチであるため、型破りなものです。
より良いものになると思われる場合は、お気軽に貢献してください。
私は、機械学習エンジニアという近い将来の仕事に備えるために、この計画に従っています。私は 2011 年からネイティブ モバイル アプリケーション (Android/iOS/Blackberry) を構築してきました。私はコンピューター サイエンスの学位ではなく、ソフトウェア エンジニアリングの学位を取得しています。私は大学で学んだ微積分、線形代数、離散数学、確率と統計に関する基礎知識を少しだけ持っています。機械学習に対する私の興味について考えてみましょう。
困ったときは私も困ります。
私の知る限り、機械学習には 2 つの側面があります。
実践に焦点を当てた方法論の最良の方法は、「実践 - 学習 - 実践」のようなものだと思います。これは、学生が最初に問題と解決策を備えた既存のプロジェクトに取り組み (演習)、その分野の伝統的な手法に慣れることを意味します。彼らの方法論で。いくつかの初歩的な経験を積んで練習した後、本を読んで基礎となる理論を学ぶことができます。これは将来の高度な実践の指針となり、実践的な問題を解決するためのツールボックスを強化することになります。また、理論を学ぶことで初歩的な経験に対する理解がさらに深まり、高度な経験をより早く習得できるようになります。
長い計画ですね。何年もかかりますよ。すでにこの内容の多くに精通している場合は、時間ははるかに短くなります。
以下はすべて概要であり、上から下の順に項目に取り組む必要があります。
私は、進行状況を確認するためのタスク リストを含む、Github の特別なマークダウン フレーバーを使用しています。
Github 風味のマークダウンについての詳細
私はベトナムのソフトウェア エンジニアで、非常に情熱があり、米国で働きたいと考えています。
この計画中に私はどれくらい働きましたか?長くてハードな一日の仕事の後は、一晩あたり約 4 時間。
旅の途中です。
| 一体アメリカ |
開いた瞬間に多変量微積分、推論統計、線形代数が前提条件であると書かれた本やコースにはがっかりします。まだどうやって始めればいいのかわかりません…
一部のビデオは、Coursera または EdX クラスに登録することによってのみ視聴できます。これは無料ですが、クラスがもう開催されていない場合があり、数か月待たなければならないため、アクセスできません。公開ソースからさらに多くのビデオを追加し、オンライン コースのビデオを徐々に置き換える予定です。大学の講義を利用するのが好きです。
この短いセクションは、毎日の計画を開始する前に知っておきたい前提条件/興味深い情報で構成されています。
各科目を完全に理解するのに丸一日は必要なく、1 日に複数の科目を受講することもできます。
私は毎日、以下のリストからテーマを 1 つ選び、最初から最後まで読み、メモを取り、演習を行い、Python または R で実装を作成します。
クオラ
レディット
データタウ
ディープラーニングのニュース
ケイドナゲット
