- Tubelator AI
- >
- Videos
- >
- Science & Technology
- >
- 6 Key Steps to Learn Machine Learning in 2024: A Comprehensive Guide
6 Key Steps to Learn Machine Learning in 2024: A Comprehensive Guide
Discover a step-by-step guide on how to learn machine learning in 2024, including crucial steps like mastering Python basics, understanding lists and dictionaries, and grasping class inheritance. Start your journey to becoming a machine learning expert now!
Install Tubelator On Chrome
Video Summary & Chapters
No chapters for this video generated yet.
Video Transcript
Wszystko, co musisz nauczyć się w 2024 roku, to laptop i lista kroków, które musisz podjąć.
Jestem studentem badaczem pracującym dla byłego profesa meta i miałem wywiad z Google.
DeepMind, Amazon i inne fajne firmy, ale trwało mi ponad trzy lata, aby dotrzeć do tego punktu.
Więc dzisiaj podzielę się tym, jakbym nauczył się uczenia się maszynowego, gdybym mógł zacząć.
Wyjaśnij sześć kluczowych kroków, które musisz podjąć.
Idźmy więc!
Ogólnie rzecz biorąc, wszystkie te kroki nie muszą być wykonane w żadnym konkretnym kolejności,
Nie chcę jednak zacząć od ostatniego i prawdopodobnie najważniejszego kroku.
Zacznijmy od nauczania się podstaw Pythonu.
Python to język programowania używany przez prawie wszystkich, aby pracować nad uczeniem się maszynowym.
I każdy drugi krok na tej liście buduje się na niej.
Dotyczy to głównie początkujących, którzy nie wiedzą, czym jest lista lub słownik,
którzy nie wiedzą, jak napisać prosty oświadczenie if-else lub a for loop.
Chciałbym nawet iść tak daleko, aby mówić, że musisz dowiedzieć się, co zrozumienie listy i co
Jest to dziedziczenie klasy.
I szczerze mówiąc, nie wiem, co jeszcze powiedzieć, ale po prostu wpisz w instrukcję Python lub kurs
Na YouTube lub Google i zacznij.
Istnieje wiele niesamowitych darmowych treści, ale zawsze powinieneś mieć na uwadze
Aby aktywnie kodować w trakcie instrukcji.
Ciesz się uczeniem się maszynowym za pomocą Python, ale nie idź zbyt głęboko.
Pozwala to zacząć od zabawnego doświadczenia, ponieważ w pewnym momencie będziesz musiał również nauczyć się matematyki.
Teraz można stwierdzić, że nie potrzebujesz matematyki, ponieważ tak wiele jest już zautomatyzowane i zadbać o fajne biblioteki Python,
co jest prawdą, ale będziesz musiał znać wszystkie podstawy obliczeń, algebra linearna i teoria prawdopodobieństwa, aby zrozumieć prawie każdy uczenie się maszynowe.
Podejście. To powiedziano, naprawdę nie potrzebujesz złożonej matematyki. Większość matematyki to szkoła średnia lub wstęp
matematyki na poziomie uczelni. Podobnie jak, trzeba tylko zrozumieć, jaka jest pochodna funkcja
i jak go obliczyć. Musisz wiedzieć, co to jest matryca i jak działa produkt punkt.
Znów są tu niesamowite zasoby, które są darmowe, jak te kursy tutaj,
lub strona internetowa o nazwie Khan Academy. mam na myśli, że możesz nawet dowiedzieć się większości tego, czego potrzebujesz
brilliant.org, niestety nie sponsorowane, lub po prostu idziesz do college i wziąć obowiązkowe
zajęcia matematyczne dla dowolnego głównego inżynierii. Powiedzę Ci o moim absolutnie ulubionym zasobie
Aby nauczyć się podstawowej matematyki dla sieci nerwowych po obejrzeniu następnych ważnych kroków.
To już pokazuje, że nie musisz przechowywać się przez wszystkie kursy matematyczne, które istnieją.
Na początku. W rzeczywistości, nawet nie polecam tego, ponieważ może być bardzo frustrujące
i po prostu nie zabawy.Kiedy nie rozumiesz niektórych matematyki później,
Zawsze możesz go przeglądać, po prostu googlając.
Naucz się podstaw, a następnie kontynuować następny zabawny krok, dowiedzieć się o stacji ML Developer.
Więc teraz znasz podstawę Python i jeśli już nie masz, możesz nauczyć się niektórych podstawowych narzędzi, takich jak Jupyter Notebooks i
Biblioteki takie jak pandy, NumPy i Matplotlib. NumPy to biblioteka do wykonywania matematyki z matryc lub zbiórkami.
Jest to świetny punkt wyjścia, ponieważ teraz możesz wdrożyć matematykę, o której właśnie się nauczyłeś i zobaczyć, jak proste jest obliczyć.
Produkt dotkowy pomiędzy dwoma matrykami.
Matplotlib to narzędzie do wizualizacji danych i grafiki,
Przyjrzyj się, co robisz z matematyki.
I, co najmniej moim zdaniem, wizualizacja rzeczy jest zabawna i po prostu bardzo przydatna.
Wreszcie, Pandas jest świetnym narzędziem do obsługi danych, które są w formacie tabularnym.
Wiele problemów z uczeniem się maszynowym zajmuje się dane tabularne,
i Pandas pozwala wam, znowu, bardzo łatwo,
manipulować tymi i...
Wszystkie te biblioteki również bardzo dobrze współpracują z notebookami Jupytera i są istotną częścią uczenia się maszynowego.
Jak zobaczysz, poznając te ramki, automatycznie poprawiesz ogólne praktyczne umiejętności Python i ML.
Ale znowu skupić się tylko na podstawach, wykonując kilka tutorialów.
