Всем привет!

Как я и обещал в предыдущей статье, я делюсь своим опытом в изучении и получении Наностепени AI Product Manager от Udacity.

Почему?
Я решил записаться на этот курс по нескольким причинам:

  1. Интересуюсь сферой AI \ ML.
  2. Я хотел проверить, смогу ли я пройти курс за 1 месяц (спойлер, я сделал), хотя рекомендуемый темп составлял 2,5 месяца.
  3. В то время у меня не было никаких предварительных знаний в области программирования, поэтому мне было любопытно, будет ли это нормально.
  4. Я хотел создавать проекты в своем портфолио.

Что вы получите от этого (это описание курса от Udacity)?
Задача курса - научить оценивать бизнес-ценность продукта ИИ.
Студент начнет с ознакомления и свободного владения общими концепциями искусственного интеллекта.
Затем студент научится оценивать и строить набор данных, обучать модель и оценивать ее влияние на бизнес.
Наконец, студент научится узнайте, как обеспечить успех продукта, сосредоточив внимание на масштабируемости, возможных предубеждениях и соответствии. По пути студент будет рассматривать тематические исследования и примеры, чтобы помочь сосредоточиться на том, как определять метрики для измерения коммерческой ценности предлагаемого продукта.

Есть что-нибудь для меня?
Ниже вы найдете заметки, которые я тщательно подготовил на основе учебных материалов.

На самом деле, я использую его для себя, но я уже говорил ранее, что хотел поделиться этой информацией с сообществом (или я должен сказать Интернет?), Имея в виду простую мысль: я надеюсь, что это будет полезно для вас как было у меня (и бесплатно).

Я структурировал содержание здесь так, как построен курс. Кроме того, к концу каждой части я прикреплял проекты, которые я завершил (в реальном курсе вы также будете создавать свои собственные проекты).

Ссылка на курс в Udacity. Я настоятельно рекомендую его всем, кто хотел бы начать разбираться в искусственном интеллекте, но был подавлен шумом.

Дорожная карта

Часть 1

Проект аннотации данных и краткое введение в AI / ML

Часть 2

Проект Google AutoML и краткое введение в обучение (включая обучающие данные) и оценку моделей

Часть 3.

Дипломный проект Udacity AI ND и краткое введение в создание продукта AI

Полезные примечания / Ссылки

Это мои сохраненные ссылки относительно AI / ML. Некоторые из них я уже покрасил, некоторые планирую прочитать. Тем не менее, я надеюсь, что это будет вам полезно. Я буду обновлять этот список на ходу.
Список:

  1. Машинное обучение для людей Вишала Майни
  2. Http://themlbook.com/
  3. Https://www.dataschool.io/learn/
  4. Мощные ссылки из статьи Medium

5. https://www.udemy.com/machinelearning

6. https://medium.com/@pavelkordik

7. https://cloud.google.com/vision/automl/docs/beginners-guide#evaluate

8. https://cloud.google.com/vision/automl/docs/beginners-guide#evaluate

9. https://www2.deloitte.com/content/dam/insights/us/articles/4780_State-of-AI-in-the-enterprise/DI_State-of-AI-in-the-enterprise-2nd-ed .pdf

Формула матрицы неточностей

  1. Точность = TP / (TP + FP)
  2. Напомним = TP / (TP + FN)
  3. Оценка F1 = 2 * (точность * отзыв) / (точность + отзыв)

О матрице неточностей
1. Простое руководство по терминологии матрицы неточностей
2. Понимание матрицы неточностей - к науке о данных

Пример таблиц

Я также сделал это фото из одного из блогов Medium.

Матрица путаницы 3-го класса

Спасибо, что нашли время прочитать эту статью, и я надеюсь, что мои будущие публикации принесут вам пользу.
Ссылка на основную статью, где я храню все свои блоги.

Не стесняйтесь обращаться ко мне через: LinkedIn или Email.
Мой GitHub.

Мы тепло приветствуем ваши отзывы.

С уважением,
Николай