Commencez ici avec l'apprentissage automatique – Apprendre une langue étrangère

Ce sont les guides pas à pas que vous recherchiez!

Avec quoi veux-tu de l'aide?

Comment puis-je commencer?

La question la plus fréquemment posée est:Comment puis-je commencer?”

Mon meilleur conseil pour débuter en apprentissage automatique se décompose en 5 étapes:

• Étape 1: Ajuster l'état d'esprit. Croyez que vous pouvez pratiquer et appliquer l'apprentissage automatique.
• Étape 2: Choisissez un processus. Utilisez un processus systémique pour résoudre des problèmes.
• Étape 3: Choisissez un outil. Sélectionnez un outil pour votre niveau et mappez-le sur votre processus.
• Étape 4: Pratique sur les jeux de données. Sélectionnez les jeux de données sur lesquels travailler et pratiquez le processus.
• Étape 5: Construire un portefeuille. Recueillez les résultats et démontrez vos compétences.

Pour plus d'informations sur cette approche descendante, voir:

Beaucoup de mes étudiants ont utilisé cette approche pour réussir dans les compétitions Kaggle et obtenir des postes d'ingénieur en apprentissage machine et de data scientist.

Processus d'apprentissage automatique appliqué

Les avantages de l'apprentissage automatique sont les prédictions et les modèles qui les prédisent.

Avoir des compétences en apprentissage machine automatique signifie savoir comment fournir des prévisions de haute qualité, problème après problème, de manière cohérente et fiable. Vous devez suivre un processus systématique.

Voici un processus en 5 étapes que vous pouvez suivre pour obtenir systématiquement des résultats supérieurs à la moyenne sur des problèmes de modélisation prédictive:

• Étape 1: Définissez votre problème.
• Étape 2: Préparez vos données.
• Étape 3: Algorithmes de vérification ponctuelle.
• Étape 4: Améliorer les résultats.
• Étape 5: Résultats actuels.

Pour un bon résumé de ce processus, voir les messages:

Algèbre linéaire

L'algèbre linéaire est un domaine de base important des mathématiques nécessaires pour approfondir la compréhension des algorithmes d'apprentissage automatique.

Vous trouverez ci-dessous le processus en 3 étapes que vous pouvez utiliser pour vous familiariser rapidement avec l'algèbre linéaire pour un apprentissage automatique.

• Étape 1: Découvrez ce qu'est l'algèbre linéaire.
• Étape 2: Découvrez pourquoi l’algèbre linéaire est importante pour l’apprentissage par la machine.
• Étape 3: Plongez dans des sujets d’algèbre linéaire.

Vous pouvez voir tous les messages d'algèbre linéaire ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Méthodes statistiques

Méthodes statistiques Un domaine fondamental des mathématiques est nécessaire pour mieux comprendre le comportement des algorithmes d’apprentissage automatique.

Vous trouverez ci-dessous le processus en 3 étapes que vous pouvez utiliser pour maîtriser rapidement les méthodes statistiques d’apprentissage automatique.

• Étape 1: Découvrez ce que sont les méthodes statistiques.
• Étape 2: Découvrez pourquoi les méthodes statistiques sont importantes pour l’apprentissage automatique.
• Étape 3: Plongez dans les thèmes des méthodes statistiques.

Vous pouvez voir toutes les publications de méthodes statistiques ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Comprendre les algorithmes d'apprentissage machine

L'apprentissage automatique concerne les algorithmes d'apprentissage automatique.

Vous devez savoir quels algorithmes sont disponibles pour un problème donné, comment ils fonctionnent et comment en tirer le meilleur parti.

Voici comment utiliser les algorithmes d’apprentissage automatique:

• Étape 1: Découvrez les différents types d’algorithmes d’apprentissage automatique.
• Étape 2: Découvrez les fondements des algorithmes d’apprentissage automatique.
• Étape 3: Découvrez le fonctionnement des meilleurs algorithmes d’apprentissage automatique.

Vous pouvez voir tous les messages d'algorithmes d'apprentissage automatique ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Weka Machine Learning (pas de code)

Weka est une plate-forme que vous pouvez utiliser pour vous initier à l'apprentissage automatique appliqué.

Il possède une interface utilisateur graphique, ce qui signifie qu'aucune programmation n'est requise et offre une suite d'algorithmes de pointe.

Voici comment commencer avec Weka:

• Étape 1: Découvrez les fonctionnalités de la plateforme Weka.
• Étape 2: Découvrez comment vous déplacer sur la plateforme Weka.
• Étape 3: Découvrez comment obtenir des résultats avec Weka.

Vous pouvez voir tous les messages d'apprentissage de la machine Weka ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Python Machine Learning (apprentissage de la connaissance)

Python est l’une des plateformes d’apprentissage automatique appliqué qui connaît la plus forte croissance.

Vous pouvez utiliser les mêmes outils que pandas et scikit-learn lors du développement et du déploiement opérationnel de votre modèle.

Vous trouverez ci-dessous les étapes à suivre pour vous familiariser avec l'apprentissage automatique Python:

• Étape 1: Découvrez Python pour l'apprentissage automatique
• Étape 2: Découvrez l'écosystème de l'apprentissage automatique Python.
• Étape 3: Découvrez comment résoudre des problèmes en utilisant l’apprentissage automatique en Python.

Vous pouvez voir tous les messages d'apprentissage de la machine Python ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

R Apprentissage automatique (caret)

R est une plate-forme pour l'informatique statistique et est la plate-forme la plus populaire parmi les scientifiques de données professionnels.

Il est populaire en raison du grand nombre de techniques disponibles et des excellentes interfaces avec ces méthodes, telles que le puissant package caret.

Voici comment démarrer avec l’apprentissage automatique R:

• Étape 1: Découvrez la plateforme R et pourquoi elle est si populaire.
• Étape 2: Découvrez les algorithmes d'apprentissage automatique dans R.
• Étape 3: Découvrez comment résoudre des problèmes en utilisant l’apprentissage automatique en R.

Vous pouvez voir tous les postes d'apprentissage de la machine R ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Algorithme de code à partir de zéro (Python)

Vous pouvez en apprendre beaucoup sur les algorithmes d'apprentissage automatique en les codant à partir de zéro.

L'apprentissage par codage est le style d'apprentissage préféré de nombreux développeurs et ingénieurs.

Voici comment apprendre l’apprentissage automatique en codant tout à partir de zéro.

• Étape 1: Découvrez les avantages des algorithmes de codage à partir de zéro.
• Étape 2: Découvrez que les algorithmes de codage à partir de zéro sont un outil d'apprentissage uniquement.
• Étape 3: Découvrez comment coder des algorithmes d’apprentissage automatique à partir de zéro en Python.

Vous pouvez voir tous les algorithmes de code à partir de posts Scratch ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Introduction à la prévision de séries temporelles (Python)

La prévision de séries chronologiques est un sujet important dans les applications métier.

De nombreux jeux de données contiennent une composante temporelle, mais le sujet des séries chronologiques est rarement abordé de manière aussi approfondie du point de vue de l'apprentissage automatique.

Voici comment démarrer avec la prévision de séries temporelles:

• Étape 1: Découvrez les prévisions de séries temporelles.
• Étape 2: Découvrez les séries chronologiques en tant qu’apprentissage supervisé.
• Étape 3: Découvrez comment obtenir de bons résultats pour obtenir des résultats avec la prévision de séries chronologiques.

Vous pouvez voir tous les messages de prévisions de séries temporelles ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

XGBoost in Python (Boosting de gradient stochastique)

XGBoost est une implémentation hautement optimisée d’arbres de décision optimisés par gradient.

Il est populaire parce qu'il est utilisé par certains des meilleurs scientifiques de données au monde pour remporter des concours d'apprentissage automatique.

Voici comment démarrer avec XGBoost:

• Étape 1: Découvrez l'algorithme d'accélération du gradient.
• Étape 2: Découvrez XGBoost.
• Étape 3: Découvrez comment obtenir de bons résultats avec XGBoost.

Vous pouvez voir tous les posts XGBoosts ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Apprendre en profondeur (keras)

L'apprentissage en profondeur est un domaine fascinant et puissant.

Les résultats de l'état de l'art proviennent du domaine de l'apprentissage en profondeur et il s'agit d'un sous-domaine de l'apprentissage automatique qui ne peut être ignoré.

Voici comment démarrer avec un apprentissage en profondeur:

• Étape 1: Découvrez ce qu'est l'apprentissage en profondeur.
• Étape 2: Découvrez les meilleurs outils et bibliothèques.
• Étape 3: Découvrez comment résoudre des problèmes et obtenir des résultats.

Vous pouvez voir tous les messages d'apprentissage en profondeur ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Meilleur apprentissage en profondeur

Bien qu'il soit facile de définir et d'adapter un modèle de réseau neuronal d'apprentissage en profondeur, il peut être difficile d'obtenir de bonnes performances sur un problème de modélisation prédictif spécifique.

Il existe des techniques standard que vous pouvez utiliser pour améliorer l'apprentissage, réduire les surajustements et faire de meilleures prédictions avec votre modèle d'apprentissage approfondi.

Voici comment commencer à améliorer les performances d’apprentissage en profondeur:

• Étape 1: Découvrez le défi de l'apprentissage en profondeur.
• Étape 2: Découvrez des cadres pour diagnostiquer et améliorer les performances des modèles.
• Étape 3: Découvrez des techniques que vous pouvez utiliser pour améliorer les performances.

Vous pouvez voir tous les meilleurs messages d'apprentissage en profondeur ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Mémoire à court terme (LSTM)

Les réseaux de neurones récurrents de la mémoire à long terme (LSTM) sont conçus pour les problèmes de prédiction de séquence et constituent une technique d'apprentissage en profondeur de pointe pour les problèmes de prédiction difficiles.

Voici comment démarrer avec les LSTM en Python:

• Étape 1: Découvrez la promesse des LSTM.
• Étape 2: Découvrez où les LSTM sont utiles.
• Étape 3: Découvrez comment utiliser les LSTM sur votre projet.

Vous pouvez voir tous les messages de LSTM ici. Vous trouverez ci-dessous une sélection de tutoriels parmi les plus populaires utilisant les LSTM en Python avec la bibliothèque d'apprentissage en profondeur de Keras.

Apprendre en profondeur pour le traitement du langage naturel (NLP)

Travailler avec des données texte est difficile en raison de la nature complexe du langage naturel.

Le texte n'est pas «résolu», mais pour obtenir des résultats à la pointe de la technologie sur des problèmes difficiles de la PNL, vous devez adopter des méthodes d'apprentissage approfondi.

Voici comment démarrer avec un apprentissage en profondeur pour le traitement du langage naturel:

• Étape 1: Découvrez en quoi consiste l'apprentissage en profondeur pour la PNL.
• Étape 2: Découvrez les jeux de données standard pour la PNL.
• Étape 3: Découvrez comment résoudre des problèmes et obtenir des résultats.

Vous pouvez voir tous les enseignements en profondeur pour les publications PNL ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Apprendre en profondeur pour la vision par ordinateur

Travailler avec des données d'image est difficile en raison du fossé qui sépare les pixels bruts de la signification des images.

La vision par ordinateur n'est pas résolue, mais pour obtenir des résultats à la pointe de la technologie sur des tâches de vision par ordinateur stimulantes telles que la détection d'objets et la reconnaissance de visage, vous avez besoin de méthodes d'apprentissage approfondi.

Voici comment démarrer avec un apprentissage en profondeur pour la vision par ordinateur:

• Étape 1: Découvrez en quoi consiste l'apprentissage en profondeur pour Computer Vision.
• Étape 2: Découvrez les tâches standard et les jeux de données pour Computer Vision.
• Étape 3: Découvrez comment résoudre des problèmes et obtenir des résultats.

Vous pouvez voir tous les enseignements en profondeur pour les publications Computer Vision ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Apprendre en profondeur pour la prévision de séries chronologiques

Les réseaux neuronaux d'apprentissage en profondeur sont capables d'apprendre automatiquement des mappages complexes arbitraires des entrées aux sorties et prennent en charge plusieurs entrées et sorties.

Des méthodes telles que les MLP, les CNN et les LSTM sont très prometteuses pour la prévision de séries chronologiques.

Voici comment démarrer avec un apprentissage en profondeur pour la prévision de séries chronologiques:

• Étape 1: Découvrez les promesses (et les limites) d’un apprentissage en profondeur pour les séries chronologiques.
• Étape 2: Découvrez comment développer des modèles de prévision robustes de base et défendables.
• Étape 3: Découvrez comment créer des modèles d’apprentissage approfondi pour la prévision de séries chronologiques.

Vous pouvez voir tous les enseignements en profondeur concernant les postes de prévision de séries chronologiques ici. Vous trouverez ci-dessous une sélection de certains des tutoriels les plus populaires.

Besoin d'aide?

Je suis ici pour vous aider à devenir génial en apprentissage automatique appliqué.

Si vous avez encore des questions et avez besoin d'aide, vous avez quelques options:

• Ebooks: Je vends un catalogue d'ebooks qui vous montre comment obtenir des résultats avec un apprentissage automatique, rapidement.
• Blog: J'écris beaucoup de choses sur l'apprentissage automatique sur le blog, essayez la fonction de recherche.
• Questions fréquemment posées: Les questions les plus fréquentes et leurs réponses
• Contact: Vous pouvez me contacter avec votre question, mais une question à la fois s'il vous plaît.