ML foundations
1.0.0
Repo นี้เป็นที่ตั้งของโค้ดที่มาพร้อมกับหลักสูตร Machine Learning Foundations ของ Jon Krohn ซึ่งให้ภาพรวมที่ครอบคลุมของวิชาทั้งหมด ทั้งด้านคณิตศาสตร์ สถิติ และวิทยาการคอมพิวเตอร์ ซึ่งรองรับแนวทางการเรียนรู้ของเครื่องจักรร่วมสมัย รวมถึงการเรียนรู้เชิงลึกและปัญญาประดิษฐ์อื่นๆ เทคนิค
หลักสูตรมีทั้งหมด 8 วิชา แบ่งออกเป็น 4 สาขาวิชา ดูส่วน "บ้านการเรียนรู้ของเครื่อง" ด้านล่างเพื่อดูรายละเอียดว่าเหตุใดสิ่งเหล่านี้จึงเป็นสาขาวิชาพื้นฐานที่สำคัญ:
วิชาต่อๆ ไปจะต่อยอดจากเนื้อหาจากวิชาก่อนๆ ดังนั้นแนวทางที่แนะนำคือดำเนินการผ่านทั้ง 8 วิชาตามลำดับที่ให้ไว้ อย่างไรก็ตาม คุณสามารถเลือกแต่ละวิชาตามความสนใจหรือความคุ้นเคยกับเนื้อหาที่มีอยู่ได้ โดยเฉพาะอย่างยิ่ง แต่ละสาขาวิชาในสี่สาขาวิชามีความเป็นอิสระพอสมควรจึงสามารถเข้าหาแยกกันได้
Jon Krohn เสนอวิชา ML Foundations ทั้ง 8 วิชาเป็นการฝึกอบรมออนไลน์แบบสดในแพลตฟอร์มการเรียนรู้ของ O'Reilly ตั้งแต่เดือนพฤษภาคม-กันยายน 2020 (และเปิดสอนเป็นครั้งที่สองตั้งแต่เดือนกรกฎาคม-ธันวาคม 2021 ดูที่นี่สำหรับวันบรรยายรายบุคคล)
เพื่อให้เหมาะกับรูปแบบการเรียนรู้ที่คุณต้องการ ขณะนี้เนื้อหามีให้บริการหลายช่องทาง:
(โปรดทราบว่าแม้ว่า YouTube จะมีเนื้อหาที่สอน 100% แต่ตัวเลือกที่ต้องชำระเงิน เช่น Udemy, O'Reilly และ ODSC ก็มีคำแนะนำวิธีแก้ปัญหาที่ครอบคลุมสำหรับแบบฝึกหัดที่ไม่มีให้บริการบน YouTube ตัวเลือกที่ต้องชำระเงินบางส่วนยังรวมถึง คุณสมบัติพิเศษเฉพาะแพลตฟอร์ม เช่น การทดสอบเชิงโต้ตอบ "เอกสารโกง" และการมอบใบรับรองสำหรับการสำเร็จหลักสูตร)
หากต้องการทราบข้อมูลเซสชันการฝึกอบรมสดในอนาคต วิดีโอออกใหม่ และการเผยแพร่บทหนังสือ โปรดพิจารณาสมัครรับจดหมายข่าวทางอีเมลของ Jon Krohn ผ่านทางหน้าแรกของเขา
รหัสทั้งหมดมีอยู่ในสมุดบันทึก Jupyter ในไดเร็กทอรีนี้ สมุดบันทึกเหล่านี้มีไว้สำหรับใช้ภายในสภาพแวดล้อมระบบคลาวด์ของ Colab (ฟรี) และเป็นสภาพแวดล้อมเดียวที่รองรับในปัจจุบัน
ที่กล่าวว่า หากคุณคุ้นเคยกับการใช้สมุดบันทึก Jupyter ในเครื่อง คุณก็สามารถทำได้ (โปรดทราบว่าเวอร์ชันไลบรารีใน Dockerfile ของ repo นี้ไม่จำเป็นต้องเป็นเวอร์ชันปัจจุบัน แต่อาจเป็นจุดเริ่มต้นที่สมเหตุสมผลสำหรับการเรียกใช้ Jupyter ภายในคอนเทนเนอร์ Docker) .
ในการเป็นนักวิทยาศาสตร์ข้อมูลหรือวิศวกร ML ที่โดดเด่น การรู้วิธีใช้อัลกอริธึม ML เพียงอย่างเดียวผ่านอินเทอร์เฟซแบบนามธรรมที่ไลบรารียอดนิยมที่สุด (เช่น scikit-learn, Keras) มอบให้นั้นไม่เพียงพอ ในการฝึกโมเดลที่เป็นนวัตกรรมหรือปรับใช้เพื่อให้ทำงานได้อย่างมีประสิทธิภาพในการผลิต การเข้าใจในเชิงลึกของทฤษฎีแมชชีนเลิร์นนิง (ในภาพคือพื้นสีม่วงส่วนกลางของ "บ้านการเรียนรู้ของเครื่อง") อาจมีประโยชน์หรือจำเป็น และเพื่อปลูกฝังความซาบซึ้งในเชิงลึกของ ML เราต้องมีความเข้าใจในการทำงานของวิชาพื้นฐาน
เมื่อรากฐานของ "Machine Learning House" มั่นคงแล้ว ยังทำให้การข้ามจากหลักการ ML ทั่วไป (ชั้นสีม่วง) ไปสู่โดเมน ML เฉพาะทาง (ชั้นบนสุดแสดงเป็นสีเทา) ง่ายขึ้นมาก เช่น การเรียนรู้เชิงลึก ธรรมชาติ การประมวลผลภาษา วิชันซิสเต็ม และการเรียนรู้แบบเสริมกำลัง เนื่องจากยิ่งแอปพลิเคชันมีความเชี่ยวชาญมากเท่าใด รายละเอียดสำหรับการนำไปปฏิบัติก็จะยิ่งมีแนวโน้มมากขึ้นเท่านั้นในเอกสารทางวิชาการหรือตำราเรียนระดับบัณฑิตศึกษา ซึ่งโดยทั่วไปแล้วทั้งสองประเภทจะถือว่ามีความเข้าใจในวิชาพื้นฐาน
เนื้อหาในชุดนี้อาจเกี่ยวข้องกับคุณเป็นพิเศษหาก:
วิชาพื้นฐานส่วนใหญ่ไม่มีการเปลี่ยนแปลงในช่วงไม่กี่ทศวรรษที่ผ่านมา และมีแนวโน้มที่จะเป็นเช่นนั้นต่อไปในทศวรรษต่อๆ ไป แต่วิชาเหล่านี้มีความสำคัญอย่างยิ่งต่อแนวทางการเรียนรู้ของเครื่องและวิทยาการข้อมูลทั้งหมด ดังนั้นรากฐานจึงเป็นรากฐานที่มั่นคงและยาวนานในอาชีพการงาน
วัตถุประสงค์ของซีรี่ส์นี้เพื่อให้คุณเข้าใจเนื้อหาที่ครอบคลุมในทางปฏิบัติและใช้งานได้จริง จะมีการให้บริบทสำหรับแต่ละหัวข้อ โดยเน้นความเกี่ยวข้องกับแมชชีนเลิร์นนิง
เช่นเดียวกับสื่ออื่นๆ ที่สร้างโดย Jon Krohn (เช่น หนังสือ Deep Learning Illustrated และซีรีส์วิดีโอความยาว 18 ชั่วโมงของเขา Deep Learning with TensorFlow, Keras และ PyTorch) เนื้อหาในซีรีส์นี้มีชีวิตขึ้นมาผ่านการผสมผสานระหว่าง:
การเขียนโปรแกรม : การสาธิตโค้ดทั้งหมดจะใช้ภาษา Python ดังนั้นประสบการณ์กับมันหรือภาษาการเขียนโปรแกรมเชิงวัตถุอื่น ๆ จะเป็นประโยชน์ในการติดตามพร้อมกับตัวอย่างโค้ด แหล่งข้อมูลที่ดี (และฟรี!) สำหรับการเริ่มต้นใช้งาน Python คือ Automate the Boring Stuff ของ Al Sweigart
คณิตศาสตร์ : ความคุ้นเคยกับคณิตศาสตร์ระดับมัธยมศึกษาจะทำให้การเรียนในชั้นเรียนง่ายขึ้น หากคุณสบายใจที่จะจัดการกับข้อมูลเชิงปริมาณ เช่น การทำความเข้าใจแผนภูมิและการจัดเรียงสมการง่ายๆ คุณก็ควรเตรียมพร้อมที่จะปฏิบัติตามคณิตศาสตร์ทั้งหมด หากคุณพบว่าคุณมีช่องว่างทางคณิตศาสตร์ในขณะที่เรียนหลักสูตร ML Foundations ฉันขอแนะนำ Khan Academy ที่ครอบคลุมและไม่มีค่าใช้จ่ายเพื่อเติมเต็มช่องว่างเหล่านั้น
สุดท้ายนี้ นี่คือภาพประกอบของ Oboe มาสคอตของ Machine Learning Foundations ที่สร้างโดยศิลปินผู้ยิ่งใหญ่ Aglaé Bassens:
