Поскольку машинное обучение привлекает все больше внимания общественности, многие новички надеются быстро понять машинное обучение и передовые технологии. Сегодня Google запустил ускоренный курс по машинному обучению на основе TensorFlow, который включает более 40 упражнений, 25 уроков и 15 часов компактного учебного контента. Google официально описывает его как руководство для самообучения для энтузиастов машинного обучения, и все материалы курса написаны на китайском языке, а видеокурсы транскрибируются на китайский язык с помощью технологии машинного обучения. Это будет большим подспорьем для китайских читателей, и, конечно, мы также можем выбрать английскую фонетику, чтобы лучше изучить содержание. Кроме того, если верить сердцевине машины, раньше это был курс для внутренних инженеров Google по обучению, в котором участвовало около 10 000 сотрудников Google, которые использовали полученные знания для оптимизации и улучшения продуктов.
Адрес курса:разработчики.Google.can/machine- ах...
Как описано в этом курсе, читателям могут потребоваться элементарные знания алгебры, такие как переменные и коэффициенты, системы линейных уравнений и кривые функций, чтобы понять основные модели машинного обучения. Кроме того, читатели также нуждаются в некотором опыте программирования на Python, но, как правило, требуются только самые основные определения функций, списки/словари, циклы и условные выражения. Реализация этого курса основана на Python и TensorFlow, но читателям не нужны какие-либо знания TensorFlow перед изучением.
В дополнение к двум основным требованиям, упомянутым выше, читателям также может потребоваться подготовить некоторые базовые знания.Конечно, вполне нормально проверять информацию, когда они действительно с ней сталкиваются. На самом деле подготовительная работа в основном разделена на три части: математическая основа, основа программирования и библиотека функций.Мы предоставляем читателям коллекцию ресурсов и статей из Heart of the Machine для проверки связанных вопросов.
С точки зрения математики, алгебраически связанные переменные, коэффициенты, линейные уравнения, логарифмы и сигмоидальные функции помогают читателям понять самые основные выражения моделей, в том числе то, как определить процесс вывода, как построить функции потерь и функции активации. Знание матриц и тензоров, связанных с линейной алгеброй, помогает читателям понять, что представляет собой модель в процессе вычислений.Например, аффинные преобразования, такие как умножение матриц, представляют собой линейные комбинации или полные соединения нейронов в нейронных сетях. Теория вероятностей и статистика также необходимы, но в этом курсе необходимо знать только такие понятия, как среднее значение и дисперсия. Для исчисления нам нужно только понять основные понятия производных, частных производных и цепного правила.Хотя метод оптимизации требует много математических знаний для явного вывода популярных выражений оптимизатора, на базовом этапе необходимо только вызвать Инструменты будет делать.
С точки зрения программирования на Python и общих сторонних библиотек, этот курс также имеет очень мало требований, просто освойте основные операции. Например, три основные структуры данных Python: списки, словари и кортежи, а также базовые выражения, такие как циклы и условия. Сторонние библиотеки, которые необходимо понимать, также являются представителями научных вычислений, такими как NumPy, Pandas и Matplotlib. Ниже приводится учебник, отправленный Heart of the Machine в 2017 году, который в основном предоставляет читателям достаточно учебных материалов.
Soul Quest | Там так много туториалов, ты... закончил?
содержание
Введение:
Предпосылки и подготовка
Концепции машинного обучения:
Framed Processing (15 минут) Контролируемое обучение машинному обучению
Глубокое погружение в машинное обучение (20 минут): что такое функция потерь, что такое веса и смещения
Снижение потерь (60 минут) Два градиентных спуска и эксперименты со скоростью обучения
Использование основных шагов TensorFlow (60 минут) не может понять TensorFlow
Обобщение (15 минут) Что такое оверфит, как оценить качество модели, разделить набор данных на две части для тестирования и обучения
Обучение и тестирование наборов (25 минут) для проверки преимуществ разделения набора данных на две части.
Проверка (40 минут) Беспокоитесь о переоснащении? Получите дополнительный проверочный набор в дополнение к тестовому и обучающему наборам
Представление (65 минут) Разработка функций, то, на что тратят свое время 75% инженеров по машинному обучению.
Комбинация функций (70 минут) Узнайте, что такое комбинация функций и как ее реализовать с помощью TensorFlow.
Регуляризация: простота (40 минут) Регуляризация L2, изучение компромисса между сложностью и обобщением
Логистическая регрессия (20 минут) Понимание логистической регрессии, изучение функций потерь и регуляризации
Классификация (90 минут) Оцените правильность и точность модели логистической регрессии.
Регуляризация: Разреженный (45 мин) Другие виды L2
Введение в нейронные сети (40 минут) Скрытые слои, функции активации
Обучение нейронной сети (40 минут) Обратное распространение
Мультиклассовые нейронные сети (50 минут) Понимание проблем мультиклассового классификатора, Softmax, реализация результатов Softmax в TensorFlow.
Встраивание (80 минут) Что такое встраивание, что оно делает и как его правильно использовать.
проект:
Производственные системы машинного обучения (3 мин) Широта в производстве машинного обучения
Статическая и динамическая тренировка (7 минут) Плюсы и минусы статической и динамической тренировки
Статический и динамический вывод (7 минут) Плюсы и минусы статического и динамического вывода
Зависимости данных (14 минут) Понимание зависимостей данных в ML
Примеры машинного обучения из реальной жизни:
Прогнозирование рака (5 минут)
Документы XVIII века (5 минут)
Реальный подход (2 минуты)
в заключении:
Следующим шагом в обучении является TensorFlow, курс Google по глубокому обучению и соревнования Kaggle.
Вопросы упражнения:
Данные по большинству практических вопросов взяты из набора данных о жилье в Калифорнии.
Есть три типа тестов, упражнения по программированию, проверка вашего понимания и игровая площадка.
Особенности курса
Самая большая особенность этого ускоренного курса по машинному обучению заключается в том, что он содержит полные материалы на китайском языке, китайскую озвучку и субтитры, а также тестовые вопросы на китайском языке, которые предоставляют наиболее практические материалы для начинающих машинного обучения.
Как показано ниже, учебные материалы, предоставляемые этим курсом, очень подходят для домашних начинающих:
Как показано ниже, курс содержит множество упражнений по китайскому языку, в том числе упражнения по программированию и вопросы с несколькими вариантами ответов для понимания текста, которые очень помогают читателям проверить то, что они узнали из видео и материалов.
Термины машинного обучения показаны ниже.Эта часть разделена на подробное введение в значение терминов машинного обучения, которое очень легко понять.
Наконец, курс также предоставляет множество учебных материалов по китайскому языку или технических блогов, Эти текстовые материалы также являются важной гарантией для расширения знаний читателей и изучения новых технологий в принципе.