Краткий вызов

Введение

Привет, меня зовут Билли, и я собираюсь прочитать «Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и методы создания интеллектуальных систем» Орельена Герона.

Моя цель

Я предлагаю эту задачу: читать по одной главе в день, чтобы удержаться от чтения довольно сложной книги. Книга состоит из 19 глав и содержит около 750 страниц содержания. Я надеюсь закончить всю книгу за 19 дней, но на самом деле я даю себе 21 день, чтобы прочитать ее полностью. Это не непристойная цель ни по каким стандартам, но я надеюсь прочитать эту книгу быстро, но не настолько быстро, чтобы не усвоить содержание.

Читая эту книгу, я надеюсь укрепить свое понимание машинного обучения и лежащих в его основе алгоритмов. Я рад немного больше погрузиться в математику и мельчайшие детали методов, которые я ранее затронул в прикладной манере, чтобы укрепить свое понимание и будущее применение этих методов.

Наконец, в настоящее время я на несколько дней опережаю свои чтения, что, надеюсь, позволит мне не отставать от сообщений в блоге (например: прочитать главу один день, а затем подумать и написать блог на следующий день). Надеюсь, это также повысит мои показатели удержания.

Мой фон:

Я не инженер машинного обучения или специалист по данным, а скорее инженер Devops, который находится в процессе обучения. У меня есть промежуточное понимание Python и его библиотек обработки данных, таких как Pandas, NumPy, SkLearn и Matplotlib. До прочтения этой книги я прошел курс Прикладная наука о данных со специализацией Python через UMSI и Coursera (обзор будет готов, но я настоятельно рекомендую), и в настоящее время я также участвую в программе IBM Расширенная специализация по науке о данных. Я также прошел курс FreeCodeCamp.org Машинное обучение с помощью Python, который дал мне начальные знания о Tensorflow 2 и нейронных сетях.

В колледже я специализировался на экономике и компьютерных науках из относительно среднего колледжа и не посещал никаких курсов по машинному обучению.

Предпосылки:

Я настоятельно рекомендую вам иметь хотя бы среднее представление о python, включая такие понятия, как лямбда-выражения и понимания, а также в библиотеках, ориентированных на науку о данных, таких как Pandas, NumPy и Matplotlib. Если у вас их нет, я рекомендую Harvard CS50, Python для всех доктора Чака (где-то бесплатно, где-то платно) и Applied Data Science with Python Specialization от UMSI, упомянутые выше.

Что касается математического образования, вы должны иметь базовые знания в области теории вероятностей, статистики, исчисления и линейной алгебры. Если у вас их нет или вы нуждаетесь в повышении квалификации, есть много способов изучить их (как бесплатные, так и платные), включая MIT opencourseware, Harvard opencourseware, MOOC, такие как Udacity и Coursera, каналы Youtube (например, 3Blue1Brown) и многие другие. !

Спасибо за чтение!

Если у вас есть какие-либо вопросы, пожалуйста, свяжитесь со мной в твиттере @wtothdev.

Отказ от ответственности: я не зарабатываю деньги ни на одной из упомянутых услуг и решил прочитать и просмотреть эту книгу по своей собственной воле.