Где и как изучать машинное обучение?
Всем привет!
Ни для кого не секрет, что интерес к машинному обучению и искусственному интеллекту растет в лучшем случае по экспоненте. Тем временем мой Яндекс Диск превратился в огромную свалку пейперс, а закладки в Google Chrome превратились в список, длина которого стремится к бесконечности с каждым днем. Таким образом, дабы упростить жизнь себе и вам, решил структурировать информацию и дать множество ссылок на интересные ресурсы, которые изучал я и которые рекомендую изучать вам, если вы только вначале пути (буду пополнять список постоянно).
Путь для развития новичка я вижу примерно так:
Попробуйте для начала начать с малого, если у вас нет за спиной 6 лет специалитета ВМК по методам прогнозирования, не стоит сразу скачивать архив лекций Е. Соколова или К. Воронцова, возможно статьи на Medium будут для вас оптимальнее. Также сложности могут возникнуть с понимаением алгоритмов, если вы плохо ориентируетесь в теории вероятностей, теории оптимизации и статистике, поэтому советую заглянуть на Ozon, в Московский Дом Книги и запастись курсами лекций по математике. Далее, ознакомившись с теорией будет проще применять знания в решении задач. Далее я приведу для вас список интересных ресурсов, которые я сам когда-то изучал. Желаю успехов :)
Новичку:
Лайфхак по быстрому выбору моделей от команды Sklearn
Data Science Glossary (англ.)
www.datascienceglossary.org
Crash-Course по базовым статьям по deep learning на Medium
medium.com/@rupak.thakur/23-deep-learning-papers-to-get-you-started-part-1–308f80d7bba2
Туториал TensorFlow
cs224d.stanford.edu/lectures/CS224d-Lecture7.pdf
Python vs. R — различия (англ.)
www.dataquest.io/blog/python-vs-r
Видеолекции открытого курса от Open Data Science на хабре
habr.com/company/ods/blog/344044
Отличный ML CheatSheet (англ.)
media.readthedocs.org/pdf/ml-cheatsheet/latest/ml-cheatsheet.pdf
Арифметика сверточных нейронных сетей от команды Theano (англ.)
deeplearning.net/software/theano_versions/dev/tutorial/conv_arithmetic.html
Отличные видеоуроки по анализу данных и эконометрике на языке R
www.youtube.com/channel/UCLk-Oih8VlqF-StidijTUnw/videos
Наивный байессовский классификатор своими руками с хабра
habr.com/post/120194
Хорошие объяснения того, как работает ROC-AUC
www.youtube.com/watch? v=21Igj5Pr6u4
www.youtube.com/watch? v=vtYDyGGeQyo
Machine Learning Basics (англ.)
www.deeplearningbook.org/contents/ml.html
Продолжающему:
GitHub Евгения Соколова с лекциями по Machine Learning в НИУ ВШЭ
github.com/esokolov/ml-course-hse/tree/master/2016-fall/lecture-notes
Блог организации Open Data Science на Хабре (рекомендую)
habr.com/company/ods
Отбор и оценка моделей — основы (Себастьян Рашка, англ.)
sebastianraschka.com/blog/2016/model-evaluation-selection-part1.html
Математические методы обучения по прецедентам (теория обучения машин), К. Воронцов (рекомендую)
www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf
Книга по natural language toolkit (nltk, англ.)
www.nltk.org/book
Машины опорных векторов на практике (англ.)
jakevdp.github.io/PythonDataScienceHandbook/05.07-support-vector-machines.html
Keras.js — машинное обучение в браузере, можно потрогать руками работу алгоритмов машинного обучения, помогает при изучении
transcranial.github.io/keras-js/#/mnist-cnn
Алгоритмы Data Mining с использованием R — интерактивная книга по изучению машинного обучения на R
ranalytics.github.io/data-mining/index.html
Преимущества и недостатки AUC и accuracy (англ.)
datascience.stackexchange.com/questions/806/advantages-of-auc-vs-standard-accuracy
Нейронные сети для перенося стиля на фото (англ) (рекомендую)
harishnarayanan.org/writing/artistic-style-transfer
Перенос стиля с помощью TensorFlow (англ.)
cs231n.stanford.edu/reports/2017/pdfs/412.pdf
Ritchie Ng — собрание ресурсов по машинному обучению (англ.)
www.ritchieng.com/machine-learning-resources
Обзор методов оптимизации градиентным спуском на практике (англ.)
ruder.io/optimizing-gradient-descent/index.html
Лекции по машинам опорных векторов от университета Utah (англ.)
www.cs.utah.edu/~piyush/teaching/13–9-print.pdf
Функции потерь для задачи классификации (англ.)
en.wikipedia.org/wiki/Loss_functions_for_classification
