Bạn đang cố gắng tự học máy học từ đầu, nhưng không biết bắt đầu từ đâu? Show Tôi đã ở một vị trí tương tự chỉ hai năm trước. Tôi đã chi hơn 25 nghìn đô la học phí đại học, nhưng vẫn còn thiếu kinh nghiệm và chưa chuẩn bị cho thị trường việc làm Tôi đã mất rất nhiều thử nghiệm và sai sót để đưa ra một lộ trình học máy. Tôi đã xem các khóa học trực tuyến, video trên YouTube và tải xuống vô số sách điện tử. Kiến thức tôi có được trên mạng đã vượt qua mọi thứ tôi học được ở trường đại học. Và phần tốt nhất — nó đến với một phần chi phí Trong bài viết này, tôi sẽ cố gắng cô đọng tất cả các tài nguyên mà tôi đã sử dụng trong nhiều năm thành 7 bước mà bạn có thể làm theo để tự học machine learning. Bước 1. Học lập trình cho Machine Learning
Bạn cần có kiến thức làm việc về lập trình trước khi đi sâu vào học máy. Hầu hết các nhà khoa học dữ liệu sử dụng Python hoặc R để xây dựng các mô hình ML. Tôi bắt đầu với Python, vì nó là ngôn ngữ lập trình có mục đích chung và có nhu cầu cao hơn R. Các kỹ năng Python cũng có thể chuyển sang các lĩnh vực khác nhau, vì vậy sẽ dễ dàng chuyển đổi hơn nếu bạn phân nhánh sang các lĩnh vực như phát triển web hoặc phân tích dữ liệu trong tương lai Khóa học Python Bootcamp hoàn chỉnh năm 2022 của Jose Portilla là phần giới thiệu tuyệt vời về Python nếu bạn chưa quen với lập trình. Khóa học này có trên Udemy và họ thường xuyên đưa ra các chương trình khuyến mãi có thể khiến giá khóa học giảm xuống mức thấp nhất là 10 đô la. Bạn nên đợi một trong những chương trình khuyến mãi này trước khi mua hàng Một ưu điểm khác của việc tham gia khóa học này là nó được dạy hoàn toàn bằng Máy tính xách tay Jupyter. Đây là IDE Python phổ biến nhất được sử dụng bởi các nhà khoa học dữ liệu và Jose sẽ giúp bạn làm quen với giao diện nên bạn không cần mất thời gian tự học Tuy nhiên, nếu bạn muốn các lựa chọn thay thế miễn phí cho khóa học trên, đây là những gì tôi đề xuất
Khi bạn đã nắm được kiến thức cơ bản về Python, hãy bắt đầu áp dụng các khái niệm này để giải quyết vấn đề. Tôi chưa bao giờ học cách viết mã đúng cách mặc dù đã hoàn thành bằng đại học 3 năm về khoa học máy tính và đó là vì tôi chưa bao giờ áp dụng các khái niệm đã học vào các vấn đề thực tế Do đó, tôi đã có hiểu biết lý thuyết về cách viết mã, nhưng thiếu khả năng phân tích vấn đề và viết giải pháp Một công cụ giúp cải thiện kỹ năng giải quyết vấn đề của tôi là HackerRank. HackerRank là một nền tảng cung cấp cho người dùng một loạt các thử thách lập trình với các mức độ khó khác nhau. Hãy thử giải ít nhất 2–3 bài toán HackerRank mỗi ngày. Bắt đầu với những cái dễ nhất, sau đó tăng dần mức độ khó khi bạn tiếp tục Nếu bạn gặp khó khăn trong một vấn đề, bạn luôn có thể tham khảo giải pháp của người khác để hiểu cách họ giải quyết vấn đề đó. Sau đó, hãy thử sao chép quá trình suy nghĩ của họ bằng mã của riêng bạn. Khi bạn tiếp tục giải các bài tập thực hành này, bạn sẽ bắt đầu tự tin vào khả năng viết mã của mình. Sau đó, bạn có thể chuyển sang bước tiếp theo — học cách làm việc với dữ liệu trong Python Bước 2. Thu thập và tiền xử lý dữ liệu trong Python
Bây giờ bạn đã biết cách viết mã bằng Python, bạn có thể bắt đầu tìm hiểu về thu thập và xử lý trước dữ liệu Một điều mà tôi nhận thấy ở hầu hết những người mới bắt đầu trong ngành khoa học dữ liệu là họ bắt tay ngay vào việc cố gắng thành thạo máy học. Họ không chú trọng nhiều vào việc thu thập hoặc phân tích dữ liệu, đây là một bộ kỹ năng riêng biệt của riêng họ Do đó, họ thường gặp khó khăn tại nơi làm việc khi được yêu cầu thực hiện các nhiệm vụ như tìm nguồn cung ứng dữ liệu của bên thứ ba hoặc chuẩn bị dữ liệu cho mô hình học máy. Dưới đây là một số khóa học tôi đề xuất để thực hiện các nhiệm vụ trên. Tôi cũng sẽ cung cấp các lựa chọn thay thế miễn phí mà bạn có thể chọn để thay thế
Bước 3. Phân tích dữ liệu trong Python
Tiếp theo, bạn nên bắt đầu học phân tích dữ liệu với Python. Phân tích dữ liệu là quá trình xác định các mẫu trong lượng lớn dữ liệu và khám phá những hiểu biết sâu sắc làm tăng giá trị Trước khi tạo bất kỳ mô hình học máy nào, bạn cần hiểu dữ liệu bạn đang xử lý. Xem xét mối quan hệ giữa các biến khác nhau trong tập dữ liệu của bạn. Thông tin nào mà một biến cho bạn biết về biến kia? Tôi khuyên bạn nên tham gia khóa học có tiêu đề Tìm hiểu Python để phân tích và trực quan hóa dữ liệu, cũng của Jose Portilla, để trau dồi kỹ năng của bạn trong lĩnh vực này. Có bốn thư viện trong Python được sử dụng chủ yếu để phân tích dữ liệu. Gấu trúc, Numpy, Matplotlib và Seaborn. Khóa học của Jose sẽ dạy bạn phân tích dữ liệu bằng tất cả các thư viện này. Phần hay nhất của khóa học này là anh ấy bao gồm các dự án mẫu tương tự như các ví dụ mà bạn sẽ gặp trong thế giới thực Nếu đang tìm kiếm các lựa chọn thay thế miễn phí, bạn có thể tham gia khóa học Phân tích dữ liệu với Python của FreeCodeCamp hoặc tải xuống sách điện tử Exploratory Data Analysis with Python  Hình ảnh từ tài liệu Scikit-learning Bước 4. Học máy với Python Thay vì học lý thuyết và làm việc chuyên sâu về các mô hình học máy, hãy bắt đầu với cách tiếp cận triển khai đầu tiên Trước tiên hãy học cách sử dụng các gói Python để xây dựng các mô hình dự đoán. Chạy các mô hình trên bộ dữ liệu trong thế giới thực và quan sát đầu ra. Khi bạn cảm nhận được việc học máy trông như thế nào trong thực tế, bạn có thể tìm hiểu sâu hơn về hoạt động của từng thuật toán Python cho Khoa học dữ liệu và Học máy là một khóa học tuyệt vời mà bạn có thể tham gia để tìm hiểu cách triển khai các mô hình ML trong Python. Một lần nữa, điều này được dạy bởi Jose Portilla và là một trong những khóa học máy học cơ bản tốt nhất mà tôi từng tham gia Jose sẽ hướng dẫn bạn quy trình học máy từ đầu đến cuối. Bạn sẽ học cách xây dựng, đào tạo và đánh giá các mô hình ML trong Python bằng thư viện có tên Scikit-Learn Jose sẽ giúp bạn dễ dàng tiếp cận các khái niệm học máy mà không đi sâu vào chi tiết, điều này khiến đây trở thành một khóa học nhập môn tuyệt vời để bạn bắt đầu Khóa học Machine Learning với Scikit-Learn của FreeCodeCamp là một sự thay thế miễn phí tuyệt vời cho khóa học trên. Nếu thích đọc sách, bạn có thể tải xuống sách điện tử miễn phí có tiêu đề Xây dựng hệ thống học máy bằng Python. Đây là một cuốn sách ngắn, thực hành sẽ cung cấp cho bạn rất nhiều ví dụ thực tế mà không đi sâu vào hoạt động của từng thuật toán Bước 5. Các thuật toán học máy chuyên sâu
Khi bạn cảm nhận được các mô hình khác nhau và cách chúng được triển khai, bạn có thể bắt đầu tìm hiểu các thuật toán cơ bản đằng sau các mô hình này Có hai tài nguyên tôi đề xuất cho việc này
Khóa học này bao gồm các kỹ thuật học máy có giám sát và không giám sát, chẳng hạn như hồi quy tuyến tính, hồi quy logistic, phân tích phân biệt tuyến tính, phân cụm K-Means và phân cụm theo cấp bậc. Những người hướng dẫn cũng đề cập đến các khái niệm như xác thực chéo và chính quy hóa để tránh quá khớp mô hình — điều này sẽ hữu ích khi làm việc với các bộ dữ liệu trong thế giới thực. Một số bài giảng thực tế trong khóa học này được dạy bằng R, bạn có thể thoải mái bỏ qua, vì giá trị gia tăng chính của khóa học là tài liệu lý thuyết Khóa học này dựa trên một cuốn sách được viết bởi những người hướng dẫn của nó có tên là Giới thiệu về học tập thống kê. Đây cũng là một tài nguyên với các ví dụ mã được viết bằng R. Tuy nhiên, tôi đã tìm thấy một kho lưu trữ GitHub dịch tất cả các ví dụ về mã sang Python, vì vậy bạn có thể đọc sách và viết mã theo các ví dụ về Python để thay thế Tất cả các tài nguyên trên có thể được lấy miễn phí. Mặc dù các khóa học edX có tính phí, nhưng bạn có thể nộp đơn xin hỗ trợ tài chính để được miễn học phí. Bạn cũng có thể tải xuống sách điện tử được đề cập ở trên miễn phí
Trong danh sách phát này, anh ấy có các video hướng dẫn người học về trực giác toán học đằng sau các mô hình máy học khác nhau. Anh ấy giải thích thuật toán cơ bản đằng sau hồi quy tuyến tính và logistic, các khái niệm như đóng bao và tăng tốc, cũng như các kỹ thuật học không giám sát như K-mean và phân cụm theo thứ bậc. Tương tự như khóa học Thống kê học, anh ấy không giải thích bất kỳ điều gì trong số này bằng ký hiệu toán học phức tạp. Thay vào đó, anh ấy giải thích hoạt động của từng thuật toán bằng tiếng Anh đơn giản để người học từ các nền tảng khác nhau có thể dễ dàng hiểu được. Hình ảnh được cung cấp bởi Geralt trên Pixabay Bước 6. Học kĩ càng
Cho đến nay, tất cả các tài nguyên trên đều tập trung vào thuật toán học máy truyền thống, hay “thuật toán học nông”. ” Bây giờ bạn có thể bắt đầu học một loại thuật toán học máy khác — học sâu Các thuật toán học sâu có thể xác định các biểu diễn trong dữ liệu với ít hoặc không cần kỹ thuật tính năng. Các thuật toán học sâu có thể xác định các biểu diễn trong dữ liệu và lấy các tính năng trực tiếp từ nó. Do đó, học sâu thường được sử dụng để xử lý dữ liệu không có các tính năng rõ ràng — chẳng hạn như dữ liệu hình ảnh, giọng nói và văn bản Có hai tài nguyên tôi đề xuất để bắt đầu học sâu
Bước 7. dự án
Bước cuối cùng. xây dựng dự án Có rất nhiều tài liệu được cung cấp ở trên. Nếu bạn không áp dụng bất kỳ điều gì trong số đó vào các dự án thực tế, bạn sẽ quên những gì bạn đã học. Bạn có thể ghi nhớ các khái niệm, thu thập chứng chỉ và tham gia bao nhiêu bài kiểm tra tùy thích. Nhưng bạn chỉ thực sự học khi bạn bắt đầu xây dựng Đây là một bài viết tổng hợp các dự án máy học được tạo bởi các nhà khoa học dữ liệu khác, với mã nguồn được cung cấp để bạn tham khảo. Bạn có thể viết mã theo một số dự án này và thực hiện các thay đổi nhỏ đối với chúng, trước khi bắt đầu dự án của riêng bạn từ đầu Dưới đây là một số tài nguyên khác mà tôi tìm thấy có thể giúp bạn bắt đầu
Tự học máy học có thể tốn thời gian và quá sức. Tuy nhiên, đó cũng là một hành trình rất bổ ích. Mỗi khi bạn học một khái niệm mới hoặc giải quyết một vấn đề mà bạn không nghĩ là có thể thực hiện được, bạn sẽ tiến một bước gần hơn để đạt được mục tiêu thành thạo máy học của mình Các khái niệm trong Python cần thiết cho máy học là gì?Python trong Học máy
. Nó triển khai các kỹ thuật máy học phổ biến như đề xuất, phân loại và phân cụm . Do đó, cần phải có phần giới thiệu ngắn gọn về học máy trước khi chúng ta tiến xa hơn.
Python đang được sử dụng như thế nào trong học máy?Có thể xây dựng các giải pháp phần mềm được phát triển bằng Python và cũng có thể chạy trên nhiều nền tảng hệ điều hành. Chẳng hạn, Linux, Windows, Mac, Solaris, v.v. Điều này làm cho máy học lập trình python thuận tiện hơn rất nhiều. Đó là lý do tại sao các nhà phát triển thích Python trong quá trình phát triển các ứng dụng ML .
Các khái niệm được sử dụng trong học máy là gì?Machine Learning được chia thành hai lĩnh vực chính. học có giám sát và học không giám sát . Mặc dù có vẻ như khái niệm đầu tiên đề cập đến dự đoán với sự can thiệp của con người và khái niệm thứ hai thì không, hai khái niệm này liên quan nhiều hơn đến những gì chúng ta muốn làm với dữ liệu.
Các khái niệm liên quan đến Python là gì?Lập trình hướng đối tượng . Các lớp học Biểu thức chính quy Vòng lặp và Iterator Sử dụng mô-đun thập phân của Python Giao tiếp với Unix phương pháp đặc biệt Loại dữ liệu tùy chỉnh Ngoại lệ là các lớp |
