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:
- Интересуюсь сферой AI \ ML.
- Я хотел проверить, смогу ли я пройти курс за 1 месяц (спойлер, я сделал), хотя рекомендуемый темп составлял 2,5 месяца.
- В то время у меня не было никаких предварительных знаний в области программирования, поэтому мне было любопытно, будет ли это нормально.
- 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:
- Машинное обучение для людей Вишала Майни
- Http://themlbook.com/
- Https://www.dataschool.io/learn/
- Мощные ссылки из статьи Medium
- Treehouse - Введение в Python
- DataCamp - Введение в Python и Python для направления Data Science
- Udacity - Глубокое обучение и AI Nanodegree
- Coursera - Глубокое обучение от Эндрю Нг
- Fast.ai - Часть 1, скоро будет Часть 2
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
Формула матрицы неточностей
- Точность = TP / (TP + FP)
- Напомним = TP / (TP + FN)
- 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