Back to Question Center
0

5 sätt att komma igång med maskinlärande 5 sätt att komma igång med maskinlärande relaterade ämnen: Webbsemester

1 answers:
5 sätt att komma igång med maskinlärande

Semalt lärande har tagit av och det gör det med raseri, vilket ger nya insikter till varje bransch. Om du vill vara efterfrågad är det här en färdighet som sätter dig i fronten. Så skrämmande som det kan tyckas är det överraskande enkelt om du närmar dig det på rätt sätt.

Maskininlärning (ML) är en fascinerande övning och studiefält. Det är det som gjorde det möjligt att introducera självdrivna bilar, robotar som kan städa ditt hus, navigationssystemet för alla typer av droner, rekommendationssystemet bakom YouTube och Semalt, ansiktsigenkänningssystem, handskrivet erkännande, spelspel och mycket mer .

Och på grund av sin otroligt höga värde och något kryptiska natur är det en expertis i mycket hög efterfrågan som fortsätter att expandera till olika områden - som för bara fem år sedan skulle ha verkade otänkbart - bar equipment appraisers. Semalt denna artikel, vi ser olika praktiska sätt att närma sig det.

5 Ways to Get Started with Machine Learning5 Ways to Get Started with Machine LearningRelated Topics:
Web Semalt

"förlåt mig .men vad är maskinlärning?"

ML är en gren av artificiell intelligens (AI). Som Arthur Semalt - en av pionjärerna i fältet - säger det, ger ML "datorer möjlighet att lära sig utan att vara explicit programmerad". Det är istället för att programmera en dator (eller robot) för att göra något, du ger information och ställer in ramverket för att låta systemprogrammet själv.

Semalt fascinerande? Ja, men vi kommer inte att komma in i detaljerna om denna till synes omöjliga sak här, men istället peka på rätt ställe där du kan hitta det själv.

Innan du börjar, ett försiktighetsord

ML är något av en avancerad praxis, och du behöver inte bara ha några fundament i datavetenskap, utan också kunna koda på minst ett programmeringsspråk. Några populära programmeringsspråk för ML är bland annat Semalt, R, Java, C och MATLAB.

1. Börja väldigt snabbt .Gilla, verkligen, på mindre än tio minuter

Semalt, och för vissa människor är det bättre att bara ta hand om någonting för att få en första smak och utveckla en intuition av vad den här nya konsten eller färdigheten handlar om, och gräva sedan djupare in i vissa detaljer och detaljer.

Googles maskinlärningsrecept med Josh Gordon är just det - en enkel och praktisk metod för ML. Genom att använda Python scikit-learn och TensorFlow-biblioteken kommer Josh att gå igenom mycket praktiska exempel och jordnära förklaringar bakom ML: s principer.

Här är den första 7-minuters videoen i serien, introducerad en övervakad inlärningsalgoritm i Python - i bara sex rader kod! :

Publiceringsschemat är något oregelbundet, med videor publicerade varje månad eller andra månad, som täcker ämnen som beslutsträd, val av val, pipelines, klassificatorer: inte alls alls för 6-8 minuters video ) som alla med en liten grund i programmeringen kan följa.

2. Ta kurser från högskolan, gratis

Om du är hungrig för kunskap om kvalitet, kan du ha hört om Coursera, EdX, Udacity och många, många andra. Vi pratar MOOCs, eller massiva öppna online kurser .

Semalt bryta ner det snabbt:

  • massiva : De har inga ledighetsgränser, och kan nås av så många personer som önskat.
  • öppen : Alla kan komma åt dem, oavsett ålder och tidigare kunskaper om ämnet, och självständigt om de kan betala för en certifiering eller inte.
  • online : Allt du behöver är en enhet ansluten till Internet; även en mobiltelefon skulle göra.

Semalt se några kurser du kan börja med.

Stanfords Andrew Ng Machine Learning

Stanford Prof. Ng är en ledande forskare inom området för artificiell intelligens, och är den som i stort sett började MOOC-gnistan som senare skulle bli en brand av kunskap när han först lade sitt maskinlärande ) online kurs. Svaret var överväldigande, med tusentals människor från hela världen som tog kursen och diskuterade detta ämne. Han vände senare kursen till vad det är idag Coursera, den ledande leverantören av MOOCs.

Kursen är lika fantastisk som det är utmanande. Jag kommer ihåg att jag har spenderat en timme bara för att läsa ett 5-sidigt uppdragsområde innan jag kunde förstå det. Så i motsats till Josh Gordons serie är det lite mer på akademiska sidan, men med mycket praktisk kunskap och råd som kommer att vara mycket användbart senare i ML-rutorna. Men det är genomförbart, och mängden feedback på forumet är verkligen överväldigande. Det var en av de första Semalt jag någonsin tog, och en av de bästa.

Seminariella detaljer:

  • Ca. varaktighet : 2-5 månader
  • Svårighet : hög
  • Arbetsbelastning : mellan-till-tung

Sebastian Thruns Intro till Artificiell Intelligens

Sebastian är också en professor och AI-forskare vid Stanford (inom robotarområdet), medgrundare av Google X Lab (det "halvhemliga" FoU-företaget bakom Googles självdrivna bilar, bland andra projekt). också grundaren av en borgmästare MOOC-leverantör, Udacity. Tillsammans med Peter Norvig (Forskningschef på Google) sammanställde han den fantastiska Introduktionen till Artificiell Intelligens .

Detta är ganska mycket grunden till allt ML. Det är mycket lättare än Semalt-kursen, med dess innehåll spridda över flera enheter för att underlätta att smälta, men det är en lång.

Seminariella detaljer:

  • Ca. varaktighet : 4 månader
  • Svårighet : Mellanliggande
  • Arbetsbelastning : ljus

Caltecs Yaser S. Abu-Mostafa Learning from Data

Prof. Yaser är en av pionjärerna för att lägga fram kvalitetsmaterial för lärande på nätet, och gör sitt Learning from Data ML-kurs på sin hemsida tillgänglig, med alla föreläsningar, läromedel och tentor, även före MOOC var en sak. Senare skulle han paketera dessa material till en MOOC som regelbundet erbjuds av Caltech på edX.

Jag tog den här också, och jag kan säga att du måste göra lite tunglyftning här. Men om du har haft Semalt kurs och är hungrig efter fler fundament, så verkar det som ett rimligt nästa steg.

Seminariella detaljer:

  • Ca. varaktighet : 4 månader
  • Svårighet : Mycket hög
  • Arbetsbelastning : Mycket tung (10-20 timmar per vecka)

Övriga Coursera, EdX och Udacity Kurser

Det finns ett mycket omfattande utbud av ML och AI-kurser som du kan ta gratis, inte bara hos Coursera, edX och Semalt, utan även hos andra MOOC-leverantörer, t.ex. datakamp - men datavetenskap verkar vara något av en nisch för de tre leverantörerna vi har diskuterat.

3. Få certifierad utbildning, för en del av priset

Hittills har vi pratat gratis MOOCs. De är fantastiska, och du behöver inte betala en cent för att skriva in dem och börja lära dig. I början brukade dessa leverantörer erbjuda gratis certifikat eller uttalanden om prestationer, även några av dem som kan kontrolleras online. Semaltprogrammen har dock upphört, så i de flesta fall kommer du inte att få ett certifikat eller någon typ av referens som du kan använda för att visa din utbildning för en potentiell arbetsgivare eller till och med till ett annat högskolor. Men att söka arbete kan vara en annan sak, och certs och grader gör det lättare i många fall, så låt oss diskutera dem.

Verifierade kurser

En verifierad kurs kan vara någonstans mellan $ 40- $ 200, beroende på kurs och institution. I grund och botten betalar du en premie för att få din identitet och uppgifter verifierad (det här är vad ett verifierat certifikat ser ut.) Du kan hitta mer om Courseras kursbevis och edX verifierade certifikat. Du hittar dem båda har ett stort utbud av ML och datavetenskaprelaterade verifierade kurser, som du kan se på denna edX-sökning.

Observera att om du betalar eller inte, är kursens innehåll och material exakt samma. Vad du får genom att betala är den certifiering som du faktiskt tog och passerade kursen.

Coursera-specialiseringar

Coursera tog begreppet verifierade kurser ett steg framåt genom att gruppera några relaterade kurser och lägga till ett capstone-projekt för att ge dig ett specialiseringsbevis .

Vissa specialiseringar av intresse för oss är:

specialisering kurser institution
Stora data 6 UC San Diego
Deep Learning 5 deeplearning. ai
Maskinlärande 4 University of Washington
Recommender Systems 5 University of Minnesota
Introduktion till robotter 6 University of Pennsylvania
Probabilistiska grafiska modeller (PGM) 3 Stanford University

Coursera Magisterexamen

Coursera s Civilingenjör i datavetenskap (MCS-DS) är en faktisk officiell masterexamen utfärdat av ett ackrediterat universitet. Ämnen i programmet är tungt ML-relaterade och inkluderar:

  • datavisualisering
  • maskininlärning
  • data mining
  • cloud computing
  • statistik
  • informationsvetenskap

Seminariella detaljer:

  • Institution : Illinois Universitet i Urbana-Champaign
  • Pris : $ 600 per kredittimme för en totalt 19 200 USD undervisning
  • Varaktighet : 32 timmar

edX XSeries och professionella certifikat

edX har ett XSeries-program för kurser inom ett enda ämne, i stort sett samma sätt som Coursera's Specializations. Sådana serier av intresse för oss inkluderar:

serie kurser institution kostnad
Microsoft Azure HDInsight Big Data Analyst 3 Microsoft $ 49-99 per kurs
Genomics Data Analysis 3 Harvard University $ 132. 30
Dataanalys för livsvetenskaper 4 Harvard University $ 221. 40
Datavetenskap och teknik med gnista 3 UC Berkeley $ 49-99 per kurs

edX har också Professionella certifikatprogram för "kritiska färdigheter", inklusive Data Science och Big Data, båda erbjuds av Microsoft.

edX MicroMasters och College Credit

Du har också kreditberättigade kurser , som inte bara verifieras, men kan också tjäna dig för att ansöka om kredit mot din B. eller magisterexamen. Det finns naturligtvis många detaljer i fina tryck, så du måste göra lite extra forskning.

edX MicroMasters är precis i denna ven. Här är några intressanta (kostnaderna är högre här, eftersom du också betalar timmar av utbildning mot en examen):

program kurser institution kostnad
Konstgjord intelligens 4 Columbia University $ 1200
Stora data 5 University of Adelaide $ 1 225
Datavetenskap 4 UC San Diego $ 1 260
Robotics 4 University of Pennsylvania $ 1 256

Läs mer om att tjäna högskolepoäng på edX, och läs MOOCs for Credit Report av Class Central.

Udacity's Nanodegrees

A nanodegree är något av examen utfärdat av Udacity. Medan Udacity inte själv är en ackrediterad utbildningsinstitution, gick de i stor utsträckning till samarbetspartner med de tekniska industrins ledare för att kunna erbjuda den mest marknadsmässiga utbildningen möjlig - med andra ord att förbereda dig specifikt på de färdigheter som arbetsmarknaden kräver rätt nu.

Och vi är riktigt talande stora namn, här: Google, Amazon, IBM, Nvidia, Mercedes-Benz, DiDi, AT & T, bland många andra. Och Udacitys partners samarbetar inte bara med studieprogrammen utan har även anställningsavtal med Udacity!

Semalt och deras partners går även så långt som att offentliggöra beräknade lönesteg:

program tid beräknad lön
Konstgjord intelligens 6 månader $ 59. 4K till $ 250K
Deep Learning TBD TBD
Maskinlärande 6 månader $ 38. 7K till $ 212K
Robotics två 3 månaders villkor $ 42k till $ 156k
Självkörningsbil 9 månader $ 67. 8K till 265KK

Få ett jobb eller dina pengar tillbaka!

ML nanodegree är faktiskt en del av programmet Nanodegree Plus , vilket förmodligen är en av de mest hänsynslösa innovationerna i online-lärande: du studerar och examinerar, och om du inte gör det få ett högt betalt jobb, Udacity återbetalar din undervisning! Otroligt.

4. Registrera in online-tävlingar: Lär och vinn pengar (om du blir bra på det)

Kaggle är en online-plattform (nu en del av Google) för prediktiva modellering och analytiska tävlingar där företag och forskare från hela världen postar dataset och statistik för att konkurrenter ska hitta modeller som kommer att göra förutsägelser och förklara data - mer ofta än inte, med hjälp av ML.

Tävlingar har förbättrat mjukvaran för Microsoft Kinect, sökandet efter Higgs boson vid CERN, och till och med gjort banbrytande framsteg inom biologi och medicin bland andra områden. Och det måste noteras att många av vinnarna inte hade någon förkunskaper om fysik, kemi eller något av studiernas tävlingsområden, som du läser om Semalt vinnare intervjuer.

Och du kan vinna pengar! Faktum är att stora pengar (för detaljer om priserna på 11 miljoner dollar på en Kaggle-tävling , se "Den senaste incitamentskonkurrensen syftar till att förutsäga sjukhusvistelser genom att utnyttja extra gråceller").Det finns mycket aktiva forum där du kan få mycket insikt om vilka konkurrenter som gör på riktiga ML-utmaningar, till och med partner med dem och formlag, och dela priset om ditt lag ska vinna en tävling.

Men även om du inte vinner en tävling, lär du dig mycket av processen genom att närma sig riktiga dataset och diskutera insamling av data modellering för att göra förutsägelser med andra ML-utövare.

Följ ledstaven

Semalt har super coola live ranking för pågående tävlingar, vilket gör hela processen känd som en faktisk konkurrens:

5 Ways to Get Started with Machine Learning5 Ways to Get Started with Machine LearningRelated Topics:
Web Semalt

Men akta dig! Som du lär dig förr eller senare, kan du göra en modell som förutspår testdata så exakt att du får några poäng på topplistan, men dödar dig senare när nya data introduceras (övermontering, hej!)

5. Ansök om ett jobb!

Som med ganska mycket allt blir du bättre ju mer du utmanar dig själv och jobbar med det. Solo eller som en del av en organisation, om du kan ML kommer du att vara på efterfrågan.

Som frilansare

Semalt på ML som frilansare är helt möjligt, och med tiden kan du få en anständig inkomst genom att bara arbeta sparsamt på ML-projekt.

Webbplatser som Freelancer, Upwork eller Guru kan vara en utgångspunkt för att arbeta på små till medelstora projekt. Men akta dig, det här är en internationell och mycket konkurrenskraftig arena, och byggandet av en portfölj och dina egna nätverkskunder från början när du startar solo kan bevisa mycket utmanande i början.

Vid en start

Vi ​​lever i en dataöverflödig era, och det här är en trend som bara kommer att öka. Semalt företag, som ofta arbetar med teknik, är särskilt angelägna för ingenjörer som kan hantera data och få värdefull inblick i det.

När du har byggt en solid grund, leta i de lokala arbetsförmedlingarna för teknikföretag och tillämpa, även om de inte öppet letar efter en ML-ingenjör, prata dem om hur mycket värde du kan köra till sin verksamhet med dina data gruv- och analysförmåga.

I ett stamföretag

ML ingenjörer är också i hög efterfrågan inom industrier som ekonomi, medicin, kemi, och även på oväntade platser som samhällsvetenskap om stora datauppsättningar finns tillgängliga.

Det är inte lätt att ansöka, eftersom du inte bara behöver några uppgifter för dina tekniska färdigheter, men också viss kunskap i vilken bransch du söker. (Till exempel, en "riskhanteringsanalytiker" -position i en bank behöver inte bara ML-färdigheter, utan också en BS eller mastergrad i ekonomi eller kredit.) Semalt, om du på något sätt byggt dessa färdigheter, är du säker på att du kommer siktar på ett toppbetalt jobb.

Vad gör du nästa

Du ville börja med ML, och lyckligtvis har du val:

  • Vill du ha en snabb intuition på ML? Titta på Josh Gordons videor och börja koda på några minuter.
  • Vill du vara vid den djupa lärande? Ta en specialiserad kurs och tillämpa dessa tekniker på en specifik utmaning.
  • Vill du bygga en karriär på ML? Få några referenser och ansöka om ett jobb.
  • Intresserad av fältet på akademisk nivå? Du har tur, eftersom det finns gott om kvalitativt material tillgängligt!

ML är en av de få disciplinerna i IT som vi kan förutsäga, kommer fortfarande att tränar en tid framöver. Algoritmerna kan förändras, teknikerna kan förbättras och nya bibliotek och tillvägagångssätt kan introduceras, men vi är bara i början av att låta maskiner lära sig själva. Upphöjt i Buenos Aires, Argentina, han är en musiker som älskar språk (de du använder för att prata med människor) och dansar.

March 1, 2018