Подаци су нова нафта. А машинско учење је ватра. Ко контролише ово двоје, контролисаће свет.
Не, ово није нека помпезна фраза покупљена из дистопијског романа.
То је реалност.
Нови светски поредак се своди на прикупљање огромне количине релевантних података и њихову обраду у увиде који се могу применити – нешто што људска раса није била у стању да уради у историји. То је врста технологије која омогућава земљи да буде испред осталих и на крају да завлада светом.
Као резултат тога, прогресивне нације света то схватају веома, веома озбиљно.
Преглед садржаја
Уносан избор каријере
Ако оставимо међународне интриге на страну, наука о подацима и машинско учење је ново поље са невероватном шансом. Потражња је ван граница (благо речено), а нема довољно научника за податке. Чак ни осредње.
Као да смо изненада открили много нових насељивих планета, а нема довољно људи да их преместимо. Могао бих да набрајам и звучим као покварена плоча, али мислим да ова инфографика ради посао много боље:
Извор: инсидебигдата.цом
Дакле, видимо да плате почињу од 50.000 долара и више, а за менаџере могу да пређу 250.000 долара.
И не само то, просечна особа на овој планети ће генерисати 1,7 МБ података у секунди. То је 3.500+ ТБ података током читавог животног века — више података него што знамо како да рукујемо до сада, а камоли да их користимо за анализу. Рећи да је будућност светла било би учинити медвеђу услугу овом величанственом новом пашњаку.
Да ли су наука о подацима и машинско учење тешки?
Добро питање!
Из мог искуства, одговор је и „да“ и „не“.
Вештачка интелигенција (и даље, машинско учење) је најтежа ствар ако сте склони да се упустите у истраживање и померите оквир. За такав рад чак и др. у информатици и математици није довољно. Али онда, просечна особа нема ни амбиције, ни времена за такву потрагу.
На другом крају је оно што бих назвао примењена наука о подацима и машинско учење.
То јест, узимате постојеће алате, технике и алгоритме и примењујете их да бисте решили неке проблеме из стварног света. Овај део захтева посвећеност, перцепцију и креативно размишљање (и познавање неких једноставних математичких концепата који се брзо уче), али што се тиче правог „техничког“ знања, много је блажи од онога што посао софтверског инжењера назива.
Другим речима, то није цакевалк, али је посматрање односа награде и труда једна од најбољих инвестиција.
Сада када сте ојачали своју одлуку да постанете научник података и инжењер машинског учења, хајде да почнемо да истражујемо најбоље опције.
Машинско учење (Гоогле)
Мало људи је свесно, али Гоогле има опсежан, веома практичан и бесплатни курс о машинском учењу. Према компанији, то је део њихове посвећености унапређењу АИ/МЛ технологија и држању знања на отвореном.
Најбоља ствар у вези са овим курсом је то што нема предуслова, али се припремите да проведете додатно време истражујући концепте статистике сами.
Мислим, није потребно, али ако немате искуства у напредној статистици, објашњења у овом курсу можда неће бити довољна. Још једна квака је да овај курс уводи машинско учење путем ТенсорФлов, што је МЛ имплементација коју је развио Гоогле. Дакле, на неки начин, Гоогле има за циљ да промовише своје АПИ-је за машинско учење, али с обзиром на вредност коју нуди овај курс, не видим како би то требало да буде камен спотицања.
Ако ништа друго, ТенсорФлов је један од лаких начина да се уђе у МЛ и ужива велику популарност (за поређење АИ оквира, погледајте ово).
Дата Сциенце
Име Харвард изазива страхопоштовање, као и овај курс.
Прво, прво: то није брзи курс хајде да се упрљамо где на прстима ходате по машинском учењу тако што ћете написати исечак овде или скрипту овде. Овај курс је тешко ватрено крштење које захтева напоран рад и значајно улагање времена.
Курс долази са бесплатним видео записима, кодом (хостован на ГитХуб-у) и решењима за лабораторијске вежбе, тако да практично, ништа вас не спутава ако желите да га узмете.
Идеална публика?
Ти…не шалим се.
Рекао бих да раде професионалци са пристојним математичким образовањем, иако се можда више не баве математиком (навике закључивања и доказивања су најнеопходније). Али још једном, будите упозорени: можда мислите да сте добри, али овај курс ће се осећати као да доручкујете стврднути нокти – проблеми са вежбањем су довољно изазовни да вас натерају да заплачете, али онда би то могло бити управо оно што тражим!
Машинско учење
Уђите у бар пун научника за податке и питајте ко је Ендрју Нг, и добићете батине свог живота.
У круговима науке о подацима и машинског учења, Ендру Нг је постигао божанствени статус, захваљујући свом изузетном курсу на Цоурсери — Машинско учење.
А ако сумњате у акредитиве Ендруа Нга, дозволићу да ово говори само за себе:
То је плаћени курс, јер је део плана цена Цоурсере, али финансијска посвећеност и одлучност нису једини предуслови. Ово је дуг курс док Ендру урања дубоко у математику која стоји иза свега МЛ и сецира популарне алгоритме. Али, срећом, то је комплетан курс и бићете вођени корак по корак у најмрачније дубине и враћени назад.
Топло препоручујем, углавном зато што је разметање сертификата о завршетку овог курса постало ствар данас!
Примењена наука о подацима
Специјализације на Цоурсери се састоје од низа курсева који имају за циљ да вас одведу од нуле до знања у одређеном концепту. Ако тражите комплетан, озбиљан, али пријатељски курс о науци о подацима и машинском учењу са Питхон-ом, не могу да препоручим ово специјализација довољно.
На крају курса добијате сертификат.
ДатаЦамп
ДатаЦамп нуди обиље курсева науке о подацима, који такође укључују неколико вештина и каријера. Од манипулације подацима до машинског учења, стећи ћете вештине научника података за изградњу каријере у Питхон-у и Р-у које ће вам помоћи да успете у области науке о подацима.
Са садржајем ДатаЦамп-а величине бајтова, можете учити сопственим темпом. Ови курсеви вам пружају практично искуство кроз које ћете унапредити своје вештине науке о подацима.
Можете почети са бесплатном верзијом и проценити курс гледајући прво поглавље.
едКс
Учите од МИТк-а, Харвардк-а, ИБМ-а, РИЦЕк-а, УЦСанДиегок-а и ГТк-а на едКс платформа.
Сви они имају свеобухватан наставни план и програм који вам помаже да поседујете вештине научника података. Ови програми су најприкладнији за оне који имају искуство у статистици или информатици.
Ако не тражите програм, можете изабрати ала-царте. На едКс-у ћете пронаћи више од 200 курсева везаних за науку о подацима, који покривају Питхон, Р, Екцел, вероватноћу, статистику, машинско учење, визуелизацију података и још много тога.
Цодецадеми
Цодецадеми је још једна платформа која је један од најбољих система који вам помаже да научите да кодирате. Они верују у „Учите радећи“ и на својој платформи имају много практичних пројеката и тестова.
Тхе курс науке о подацима коју нуди Цодецадеми укључује СКЛ, Питхон 3, НумПи, Пандас, Матплотлиб, Сцикит-леарн и многе друге библиотеке.
Цела каријера садржи 26 курсева који су више него довољни да вам помогну да постанете успешан научник података.
Овај курс података:
- Даје вам дубинско знање о науци о подацима
- Пружа путоказ који се лако прати
- Омогућава вам да стекнете довољно практичног искуства
Удеми
Удеми не треба никакво представљање.
Питхон фор Дата Сциенце анд Мацхине Леарнинг Боотцамп на Удеми је један од најпопуларнијих курсева са преко 85.000+ оцена 4.6 и похађало га је више од 370.000 студената широм света.
Испод су теме које се обрађују у овом курсу:
Испод су карактеристике/испоруке овог курса:
- 25 сати видео записа на захтев
- Потпуни доживотни приступ
- 13 чланака и пет извора за преузимање
- Приступ на мобилном и ТВ-у
- Потврда о завршетку
- 30-дневна гаранција поврата новца
Дакле, ако више волите буџетски курс, ово би вам најбоље одговарало да започнете.
Гоогле АИ
Да ли бисте били заинтересовани за учење машинског учења од стручњака за МЛ у Гоогле-у?
Па, онда морате да погледате курсеве Гоогле АИ.
Ова платформа има курсеве и садржаје за машинско учење и науку о подацима за студенте, софтверске инжењере, научнике података, па чак и истраживаче. Ови курсеви су бесплатни.
За почетак, Убрзани курс машинског учења у Гоогле АИ би требало да буде ваш курс. Ово је брзи курс са практичним уводом који користи ТенсорФлов АПИ-је. Испод су детаљи овог курса:
Ова платформа такође има специфичне курсеве о важним темама машинског учења као што су груписање, системи препорука, тестирање и отклањање грешака у машинском учењу, раздвајање података и инжењеринг карактеристика у машинском учењу. У случају да већ знате основе машинског учења, ови курсеви ће бити од додатне вредности.
Удацити
Удацити је такође веома популарна платформа за е-учење која има мноштво курсева о трендовским технологијама. Има неколико водећих програма у индустрији које су креирале и признале врхунске компаније широм света, као што су АТ&Т, АВС, Гоогле, ИБМ.
Један од програма у Удацити-ју је за науку о подацима – Школа науке о подацима. Овај програм вам помаже да обављате послове аналитичара података, научника података, инжењера података и пословног аналитичара. Курс Дата Сциентист у овом програму је кључни који покрива концепте машинског учења, дубоког учења и софтверског инжењеринга. Морате имати основно знање о машинском учењу да бисте се одлучили за овај курс.
У случају да знате Питхон програмирање, али сте нови у машинском учењу, постоји још један програм на Удацити-ју – Школа вештачке интелигенције. Овај програм има курсеве који почињу од основа машинског учења.
Дубоко учење
Овај курс је благослов и моја најомиљенија препорука на овој листи ако сте кодер.
Опет бих то рекао: ако сте кодер.
То је зато што овај курс не троши време на учење основа програмирања. Опис курса то каже врло јасно (нагласак је оригиналан):
Претпостављамо да сви који похађају овај курс имају најмање годину дана искуства у кодирању. Курс користи питхон као наставни језик, тако да ако већ не знате питхон онда претпостављамо да ћете потрошити време на учење—за искусног програмера требало би да откријете да је питон прилично лак језик за учење.
Дакле, ако већ знате Питхон (ако не научите овде), или могу брзо да се опусте, ово је савршен курс за прагматичаре који желе да изграде стварне, употребљиве системе без превише бриге о теоријским основама алгоритама.
Могао бих чак рећи да је за нестрпљиве кретене (као ја!) који мрзе церемоније и монотонију.
И ох, да ли сам споменуо да је 100% бесплатан и да има сјајну заједницу?!
Закључак
Фуј!
Ово је била једна тешка листа за састављање. Не зато што није било довољно добрих извора, већ зато што их је било превише!
Машинско учење је домен који је буквално експлодирао и решава тешке проблеме заиста елегантно, тако да постоје стотине курсева на мрежи, бесплатних и плаћених, од којих су већина заиста, заиста добри. Али ово такође може бити извор забуне, због чега сам покушао да сведем на једанаест за различите типове ученика у складу са њиховим нивоом искуства.
Надам се да је помогло!