Jak uczyć się ML (Machine Learning) ?

Cześć,

Jak rozpocząć naukę tak obszernego tematu jakim jest uczenie maszynowe (ML – Machine Learning)? Od czego zacząć przygodę tak, aby nie zrazić się już na samym początku. Bez wątpienia dzięki ML można tworzyć fascynujące projekty z dziedziny sztucznej inteligencji. Ale jak zacząć?

Mamy już rok 2021 i sztuczna inteligencja towarzyszy nam codziennie. Przez lata jej rozwoju powstało bardzo dużo narzędzi, materiałów, prac naukowych czy gotowych do wykorzystania rozwiązań, dzięki którym możemy poznawać ML. 

Daniel Bourke stworzył fantastyczną mapę myśli “Machine Learning Roadmap 2020”, w której omawia praktycznie wszystkie aspekty ML. Bardzo polecam zapoznanie się z nią, nawet pobieżne. Ale uwaga, jest ona ogromna. Sam film, na którym wyjaśnia jak korzystać z jego mapy myśli trwa prawie 3 godziny! 

Link do mapy myśli: https://whimsical.com/machine-learning-roadmap-2020-CA7f3ykvXpnJ9Az32vYXva

Link do filmu wprowadzającego: “2020 Machine Learning Roadmap (still valid for 2021)” (Daniel Bourke : 2h 37m) https://www.youtube.com/watch?v=pHiMN_gy9mk&t=1248s

Poniżej też zebrałem najważniejsze punkty, dzięki którym zobaczysz co składa się na ML.

“Machine Learning Roadmap 2020” – podsumowanie co znajduje się w road mapie:

• Do czego przydaje się ML
  • Klasyfikacja (classification)
  • Regresja (regression)
  • Sekwencje (sequence to sequence)
  • Grupowanie (clustering)
  • Zmniejszanie wymiarów (dimensionality reduction)
  • Różne kategorie nauczania ML
• Zasoby wiedzy do nauki z ML
  • Linki do różnych artykułów
  • Książki
  • Przykłady kodu
  • Wstęp do matematyki
  • Usługi w chmurze (cloud)
  • Zbiory danych – przykładowe zbiory danych na których możemy uczyć nasze modele
  • Tutoriale i różne wideo
• Narzędzia do pracy z ML
  • Biblioteki do języka Python – głównego języka ML
    • W tym chyba najbardziej znany TensorFlow
  • Zbiór wyszkolonych już modeli – możemy je użyć i “doszkolić” do własnych potrzeb
  • Śledzenie naszych eksperymentów, danych, modeli
  • Usługi w chmurze oraz jak zbudować swój własny potężny PC do ML
  • Modele Auto ML
• Matematyka
  • Algebra liniowa
  • Manipulacja macierzami
  • Pochodne i całki
  • Rozkłady prawdopodobieństwa
  • Optymalizacja
• Proces tworzenia ML
  • 1. Zbieranie danych
  • 2. Przygotowanie danych
  • 3. Trenowanie modelu
    • Wybór algorytmu
    • Dostrajanie modelu
  • 4. Analiza i walidacja naszego modelu
  • 5. Opublikowanie modelu dla innych osób
  • 6. Ponowne trenowanie modelu – z danymi “produkcyjnymi”

Każdy z tych punktów ma wiele podpunktów i dodatkowych informacji.

Najważniejszym jego przekazem, z którym zgadzam się w 100% jest to, że nie trzeba uczyć się wszystkiego od razu. NIE. Lepiej jest uczyć się poszczególnych rzeczy wtedy, gdy będą nam potrzebne podczas tworzenia projektu ML. Znajdź swój własny pomysł na rozwiązanie oparte na sztucznej inteligencji i zacznij je robić. Krok po kroku. Dopiero jeśli nie będziesz wiedzieć jak przejść dalej, zacznij zgłębiać dany temat.

I to zaczniemy robić. Zrobimy konkretny projekt AI od podstaw.

A tymczasem ciekawe wideo o którym wspomina sam Daniel: “Tesla Autonomy Day” (Tesla : 3h 52m : https://youtu.be/Ucp0TTmvqOE?t=6799 . Zapis wideo z konferencji poświęconej AI w samochodach Tesla. Warto zobaczyć jak kamery na samochodzie widzą otoczenie i jak AI procesuje inne samochody, ulice, drzewa itp.

Szczególnie ciekawe jest to, że model jest trenowany cały czas nowymi zdjęciami, które spływają do centrali ze wszystkich samochodów Tesla. Im więcej osób jeździ Teslą, tym lepiej jeżdżą one same.

Paweł

Wpis pochodzi z newslettera. Jeżeli chcesz dostawać podobne informacje na swojego mejla uzupełnij poniższy formularz. W każdej chwili możesz się wypisać.