- PVSM.RU - https://www.pvsm.ru -
Ни для кого не секрет, что интерес к машинному обучению и искусственному интеллекту растет в лучшем случае по экспоненте. Тем временем мой Яндекс Диск превратился в огромную свалку пейперс [1], а закладки в Google Chrome превратились в список, длина которого стремится к бесконечности с каждым днем. Таким образом, дабы упростить жизнь себе и вам, решил структурировать информацию и дать множество ссылок на интересные ресурсы, которые изучал я и которые рекомендую изучать вам, если вы только вначале пути (буду пополнять список постоянно).
Путь для развития новичка я вижу примерно так:
[2]
Попробуйте для начала начать с малого, если у вас нет за спиной 6 лет специалитета ВМК по методам прогнозирования, не стоит сразу скачивать архив лекций Е. Соколова или К. Воронцова, возможно статьи на Medium будут для вас оптимальнее. Также сложности могут возникнуть с понимаением алгоритмов, если вы плохо ориентируетесь в теории вероятностей, теории оптимизации и статистике, поэтому советую заглянуть на Ozon, в Московский Дом Книги и запастись курсами лекций по математике. Далее, ознакомившись с теорией будет проще применять знания в решении задач. Далее я приведу для вас список интересных ресурсов, которые я сам когда-то изучал. Желаю успехов :)
Лайфхак по быстрому выбору моделей от команды Sklearn
Data Science Glossary (англ.) [3]
Crash-Course по базовым статьям по deep learning на Medium [1]
Python vs. R — различия (англ.) [5]
Видеолекции открытого курса от Open Data Science на Хабре [6]
Отличный ML CheatSheet (англ.) [7]
Арифметика сверточных нейронных сетей от команды Theano (англ.) [8]
Отличные видеоуроки по анализу данных и эконометрике на языке R [9]
Наивный байессовский классификатор своими руками с Хабра [10]
Хорошие объяснения того, как работает ROC-AUC
www.youtube.com/watch?v=21Igj5Pr6u4 [11]
www.youtube.com/watch?v=vtYDyGGeQyo [12]
Machine Learning Basics (англ.) [13]
GitHub Евгения Соколова с лекциями по Machine Learning в НИУ ВШЭ [14]
Блог организации Open Data Science на Хабре (рекомендую) [15]
Отбор и оценка моделей — основы (Себастьян Рашка, англ.) [16]
Математические методы обучения по прецедентам (теория обучения машин), К. Воронцов (рекомендую) [17]
Книга по natural language toolkit (nltk, англ.) [18]
Машины опорных векторов на практике (англ.) [19]
Алгоритмы Data Mining с использованием R — интерактивная книга по изучению машинного обучения на R [21]
Преимущества и недостатки AUC и accuracy (англ.) [22]
Нейронные сети для перенося стиля на фото (англ) (рекомендую) [23]
Перенос стиля с помощью TensorFlow (англ.) [24]
Ritchie Ng — собрание ресурсов по машинному обучению (англ.) [25]
Обзор методов оптимизации градиентным спуском на практике (англ.) [26]
Лекции по машинам опорных векторов от университета Utah (англ.) [27]
Функции потерь для задачи классификации (англ.) [28]
Автор: Artur
Источник [29]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/iskusstvenny-j-intellekt/281532
Ссылки в тексте:
[1] пейперс: https://medium.com/@rupak.thakur/23-deep-learning-papers-to-get-you-started-part-1-308f80d7bba2
[2] Image: https://ibb.co/ft59vy
[3] Data Science Glossary (англ.): http://www.datascienceglossary.org/
[4] Туториал TensorFlow: https://cs224d.stanford.edu/lectures/CS224d-Lecture7.pdf
[5] Python vs. R — различия (англ.): https://www.dataquest.io/blog/python-vs-r/
[6] Видеолекции открытого курса от Open Data Science на Хабре: https://habr.com/company/ods/blog/344044/
[7] Отличный ML CheatSheet (англ.): https://media.readthedocs.org/pdf/ml-cheatsheet/latest/ml-cheatsheet.pdf
[8] Арифметика сверточных нейронных сетей от команды Theano (англ.): http://deeplearning.net/software/theano_versions/dev/tutorial/conv_arithmetic.html
[9] Отличные видеоуроки по анализу данных и эконометрике на языке R: https://www.youtube.com/channel/UCLk-Oih8VlqF-StidijTUnw/videos
[10] Наивный байессовский классификатор своими руками с Хабра: https://habr.com/post/120194/
[11] www.youtube.com/watch?v=21Igj5Pr6u4: https://www.youtube.com/watch?v=21Igj5Pr6u4
[12] www.youtube.com/watch?v=vtYDyGGeQyo: https://www.youtube.com/watch?v=vtYDyGGeQyo
[13] Machine Learning Basics (англ.): http://www.deeplearningbook.org/contents/ml.html
[14] GitHub Евгения Соколова с лекциями по Machine Learning в НИУ ВШЭ: https://github.com/esokolov/ml-course-hse/tree/master/2016-fall/lecture-notes
[15] Блог организации Open Data Science на Хабре (рекомендую): https://habr.com/company/ods/
[16] Отбор и оценка моделей — основы (Себастьян Рашка, англ.): https://sebastianraschka.com/blog/2016/model-evaluation-selection-part1.html
[17] Математические методы обучения по прецедентам (теория обучения машин), К. Воронцов (рекомендую): http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf
[18] Книга по natural language toolkit (nltk, англ.): http://www.nltk.org/book/
[19] Машины опорных векторов на практике (англ.): https://jakevdp.github.io/PythonDataScienceHandbook/05.07-support-vector-machines.html
[20] Keras.js — машинное обучение в браузере, можно потрогать руками работу алгоритмов машинного обучения, помогает при изучении: https://transcranial.github.io/keras-js/#/mnist-cnn
[21] Алгоритмы Data Mining с использованием R — интерактивная книга по изучению машинного обучения на R: https://ranalytics.github.io/data-mining/index.html
[22] Преимущества и недостатки AUC и accuracy (англ.): https://datascience.stackexchange.com/questions/806/advantages-of-auc-vs-standard-accuracy
[23] Нейронные сети для перенося стиля на фото (англ) (рекомендую): https://harishnarayanan.org/writing/artistic-style-transfer/
[24] Перенос стиля с помощью TensorFlow (англ.): http://cs231n.stanford.edu/reports/2017/pdfs/412.pdf
[25] Ritchie Ng — собрание ресурсов по машинному обучению (англ.): http://www.ritchieng.com/machine-learning-resources/
[26] Обзор методов оптимизации градиентным спуском на практике (англ.): http://ruder.io/optimizing-gradient-descent/index.html
[27] Лекции по машинам опорных векторов от университета Utah (англ.): http://www.cs.utah.edu/~piyush/teaching/13-9-print.pdf
[28] Функции потерь для задачи классификации (англ.): https://en.wikipedia.org/wiki/Loss_functions_for_classification
[29] Источник: https://habr.com/post/412683/?utm_source=habrahabr&utm_medium=rss&utm_campaign=412683
Нажмите здесь для печати.