Собрали бесплатные ресурсы, которые позволят погрузиться в работу с искусственным интеллектом — как для новичков, так и для тех, кто уже работает с ML и хочет углубить знания.
Сборники материалов
Сборник учебных материалов от TensorFlow
Формат: курсы, книги, туториалы.
Язык: английский (есть автоперевод на русский).
Источник: сборник доступен по ссылке.
TensorFlow — это бесплатная библиотека с открытым исходным кодом от Google для машинного обучения (ML) и искусственного интеллекта (AI). На этом ресурсе собрано очень много обучающих материалов — и теоретических, и практических.
Начать можно с одного из курсов. Для старта подойдут Основы машинного обучения и Основы разработки на JavaScript, а тех, кто уже разбирается в теме, может заинтересовать Теоретическое и продвинутое машинное обучение. Каждый курс состоит из видеоуроков и книг по теме. Обратите внимание, что хоть у сайта и есть адаптация на русский, все учебные материалы здесь только на английском языке. Кроме того, на сайте вы найдете уроки по линейной алгебре, deep learning и разработке. Некоторые из них включают практические задания.
Роадмап для самостоятельного изучения ML и AI
Формат: курсы, книги, туториалы.
Язык: английский.
Источник: роадмап доступен по ссылке.
Еще одна коллекция источников, которая постоянно пополняется. Кроме стандартной базы про Python и Deep Learning здесь также есть материалы по применению ML в узких нишах — например, в обработке естественного языка или в сферах, связанных с искусством.
Очень удобный ресурс, чтобы составить себе полноценный учебный план, охватывающий разные аспекты работы с ML. Например, можно выбрать базовый курс по Python, гайд по Generative AI и мануал по Data Science, а для самопроверки пройти тест от Стэнфорда или Университета Торонто. Легко скомпоновать разные ресурсы, чтобы составить свой путь от новичка до практика.
Segun Akinyemi, обзор бесплатных курсов и туториалов
Формат: статьи и видеоуроки.
Язык: английский.
Источник: сайт доступен по ссылке.
Здесь собраны редкие туториалы, статьи и проекты, которые часто не замечают крупные агрегаторы. С их помощью можно узнать, например, как обучать модели через Excel или как работать с ИИ-агентами (очень хайповая технология, о которой пока не так много обучающих материалов).
Если вы настроены серьезно и хотите составить настоящий учебный план для погружения в ML, рекомендуем посмотреть эти статьи:
Курсы
Elements of AI
Формат: курс.
Язык: английский.
Источник: доступен по ссылке.
На этом ресурсе есть курс из двух частей — для новичков и для тех, кто уже разбирается в AI. В первой части речь идет о том, как устроены нейросети и машинное обучение, а также как эти технологии применяются в жизни. Специальных знаний по математике и программированию для изучения не нужно.
Вторая часть более углубленная. Она дает представление об алгоритмах, которые лежат в основе ИИ. Для изучения потребуются базовые знания Python.
Введение в Data Science и машинное обучение
Формат: курс.
Язык: русский.
Источник: курс доступен по ссылке.
Хороший курс для тех, кто только начинает погружаться в тему. Простой, без академического снобизма и громоздких терминов.
Лектор Анатолий Карпов знакомит с самыми популярными инструментами ML для бизнеса, но с объяснением технических деталей. Курс помогает структурировать знания и посмотреть на знакомые технологии под другим углом.
Курс Practical Deep Learning for Coders
Формат: курс.
Язык: английский.
Источник: курс доступен по ссылке.
Бесплатный курс, предназначенный для людей с некоторым опытом программирования, которые хотят научиться применять Deep Learning и машинное обучение для решения практических задач. Минимум воды, много кода — логичное продолжение после изучения базовых курсов.
Курс состоит из девяти уроков, каждый из них длится около 90 минут. В рамках этих уроков вы научитесь создавать и развертывать модели для компьютерного зрения, обработки естественного языка и рекомендательных систем, а также изучите некоторые популярные библиотеки.
Выстраиваем работу с ML
Формат: курс (подборка материалов).
Язык: русский.
Источник: курс доступен по ссылке.
Мы с коллегами составили курс «Выстраиваем работу с ML» в Академии Selectel. В нем собрали полезные материалы для компаний, которые внедряют машинное обучение в рабочие процессы.
В нашем курсе вы найдете материалы по MLOps — дисциплине, направленной на унификацию процессов разработки и развертывания ML-систем. Еще в подборке вы найдете материалы о том, как работать с ML-моделями и платформами обработки данных.
ML Impact — про ML и AI без хайпа
Все кругом говорят про ML, но многие ли понимают его настоящую пользу для бизнеса? Мы запустили ресурс, который поможет во всем разобраться.
Видео
Канал StatQuest with Josh Starmer
Формат: видео.
Язык: английский.
Источник: ссылка на канал.
Автор очень доступно объясняет математические модели и методы — например, как работают случайные леса, логистическая регрессия, статистические тесты и другое. Особенно рекомендуем видео о том, что там BAM.
Книги
А.Г. Курош, Лекции по общей алгебре
Формат: книга.
Язык: русский.
Источник: книга доступна по ссылке.
Это действительно большой труд, который стоит вдумчиво читать целиком только посвященным, однако как минимум две главы заслуживают пристального внимания. В первой автор разбирает основные понятия дискретной математики — отображения, отношения, их свойства и другие.
Во второй главе автор вводит различные алгебраические структуры типа группоида, полугруппы, группы, кольца, тела, поля и другого. Текст изложен в строгом стиле, но понятия вводятся последовательно. Впрочем, если стиль изложения покажется чересчур сложным, можно также почитать введение в абстрактную алгебру венгерского математика Эрвина Фрида.
Л.И. Головина, «Линейная алгебра и некоторые ее приложения»
Формат: книга.
Язык: русский.
Источник: книга доступна по ссылке.
Линейная алгебра — особенно важный раздел математики с точки зрения Data Science и машинного обучения. Как минимум все операции с нейросетями — матричные.
Проблема в том, что сама по себе линейная алгебра имеет высокий порог вхождения. Чтобы вам было проще его преодолеть, рекомендуем к прочтению эту книгу.
В самом начале автор очень доступно объясняет смысл определителя. Вторая глава уже требует понимания идеи алгебраической структуры — в частности, поля. Конечно, книга довольно гладко вводит его определение, что ее только красит. В следующих главах идет обсуждение линейной зависимости, комбинации, базиса, размерности и других тем.
М.Ю. Пантаев, «Матанализ с человеческим лицом, или как выжить после предельного перехода»
Формат: книга.
Язык: русский.
Источник: книга доступна по ссылке.
Еще одна крутая и необычная книга по математическому анализу. Первая глава подробно рассказывает о возникновении задач, в которых появляется необходимость работать с чем-то, похожим на интегрирование (метод исчерпывания), с чем-то, что так или иначе затрагивает бесконечность.
Вторая глава начинается с отличной цитаты: «История математики обладает одним неисправимым недостатком: хронологический порядок событий не соответствует порядку логическому, естественному». Верное замечание.
Эта глава в целом рассказывает о том, что отцам-основателем матана не чужды шалости в стиле «когда надо — h равно 0, а когда не надо — не равно». И что путь формирования того строгого аппарата, который поставлен на вооружение математического анализа, далеко не всегда был таким.
Автор обсуждает с читателем парадоксы, доказательства, а также тот факт, что не все в этой жизни можно определить. Поэтому книга «Матанализ с человеческим лицом» далеко не только про «матан».
В комментариях поделитесь своими источниками знаний, которые будут полезны читателям.
Автор: SofiaShpak
