Поскольку я всегда очень интересовался компьютерами, это заставило меня задуматься о других возможностях, которые мы могли бы иметь. Не только код if-else, гораздо больше вещей, например, может ли он предсказывать слова на основе предыдущих данных или анализировать шаблон. Так я натолкнулся на название «Машинное обучение».
Поскольку есть много других сообщений в блогах, в которых рассказывается, как начать, они просто рассказывают вам, как работать с такими библиотеками, как Pandas, Matplotlib, Seaborn и многими другими. Замечательно, что вам не нужно иметь полные знания о функциях Pandas.
В конце концов, вы должны уметь читать документацию и находить то, что вам нужно.
Давай нырнем
Наиболее предпочтительным языком в области машинного обучения является Python, но вы можете выбрать любой, но я предпочитаю Python. Поддержка сообщества намного лучше. Если вы знаете хотя бы один язык, погружение в Python будет приятным сюрпризом. Вам понравится его простота; после этого пути назад нет.
2. Знайте, как использовать команды Git и терминал
Изучение терминала и git будет полезно для вас, даже если вы не подаете заявку на получение поля ML. Вы узнаете о возможностях командной строки
В будущих концепциях машинного обучения вам необходимо применять и извлекать смысл из данных с помощью статистики. Вы будете использовать вероятность в Наивном Байесе, а также во многих других областях. Лучше на этом запачкать руки.
4. Математика, связанная с машинным обучением
Если вы углубитесь, то поймете, что все является математикой. Как-то вроде регрессии, где мы работаем с линейной и полиномиальной регрессией, в которой используются методы линейных уравнений и их аспекты. Я просто делюсь отрывками из тем, чтобы понять, что необходимы базовые знания математики, например, линейная алгебра.
Вам лучше знать, как манипулировать данными с помощью панд в соответствии с потребностями. Если вы хотите упорядочить данные, используя год и месяц в наборе данных, вы лучше понимаете, как решить эту проблему. Это можно сделать с помощью функции Groupby в Pandas. Так что хорошо иметь хорошее владение пандами, которые будут для вас весьма полезны в будущем.
Как мы знаем, изображения говорят о проблеме больше, чем просто слова, поэтому манипуляции с данными можно визуализировать с помощью Matplotlib, seaborn и других библиотек. Это важно, если вы тоже хотите заниматься наукой о данных. В науке о данных мы не визуализируем агрегированные данные, а вместо этого используем подмножество набора данных и делаем из него вывод.
7. Исследовательский анализ данных
Вам лучше знать, что дело не в написании кода и рисовании сюжета для визуализации. Все дело в точном извлечении результатов из этих графиков. Кроме того, вы должны знать, что мы можем сделать больше выводов из набора данных на основе различных графиков; он иногда меняется в зависимости от контекста. Из этого можно сделать опасный неверный вывод. Вы должны охватить все аспекты, чтобы посмотреть на набор данных.
Статистическое обоснование - это способ, которым люди рассуждают на основе статистических идей и осмысливают статистическую информацию. Статистическое обоснование может включать соединение одной концепции с другой (например, центр и распространение) или может объединять идеи о данных и случайности. "Источник"
Все вышеперечисленные знания имеют решающее значение для лучшего понимания любой проблемы, которую вы хотите решить с помощью машинного обучения.
9. Бинго !!
вы готовы окунуться в мир машинного обучения
Вы можете охватить все эти темы только в одном месте: Datacamp, который является отличной платформой для всех тех новичков и людей среднего уровня, которые хотят учиться на этом.
Некоторые ресурсы для вас, чтобы начать
- Для линейной алгебры, многомерного исчисления, анализа главных компонент
- Для уравнений, функций, графиков, дифференцирования, оптимизации, векторов, матриц, статистики, вероятности
- Для статистики - вероятность
- Вероятность, теорема Байеса, статистический вывод, априорные значения и модели для дискретных данных, модели для непрерывных данных
Вы можете связаться со мной в любое время, и я буду рад вам помочь.
Следуйте за мной в Linkedin, Github.
Критика и предложения приветствуются !!!
Я рад слышать от вас