10 dní sa nezdá veľa, ale so správnou sebadisciplínou a časovým manažmentom, 10 dní môže poskytnúť dostatok času na získanie kontroly nad základmi machine learning (strojového učenia) a dokonca umožniť začiatočníkom aplikovať niektoré z týchto zručnosti vo vlastnom projekte.
Machine Learning za 10 dní?
10 dní? Hmmm, je to určite náročná úloha :). Podľa slov dátového vedca Sebastian Raschka, z Michigan State University, „Myslím si však, že 10 dní je rozhodne doba, počas ktorej môžete získať dostatočný prehľad o oblasti machnine learning a možete začať aplikovať niektoré techniky na vaše problémy.“
Ďalej tento nadšenec ML hovorí, „Po prečítaní úvodu do troch rôznych podoblastí (supervised learning, unsupervised learning a reinforcement learning) by som pravdepodobne strávil určitý čas s jednoduchými (ale užitočnými) algoritmami, ktoré sú reprezentatívne pre tieto oblasti (a možu vám neskôr ušetriť čas). Napríklad jednoduchá lineárna regresia a Ridge regresia pre regresnú analýzu, logistická regresia a metóda k-najbližších susedov a k-means a hierarchické clustrovanie pre úlohy clustrovania. Akonáhle pochopíte ciele každého algoritmu a ako sa pokúšajú vyriešiť určitý problém, je úplne jednoduché pridať do svojho repertoáru ďalšie algoritmy a prístupy.
Okrem algoritmov je však dôležité vedieť, ako pripraviť svoje dáta (výber funkcií, transformácia a kompresia) a ako vyhodnotiť svoje modely. Možno, ako štartér, by ste si mohli pozrieť Machine learning v scikit-learn tutoriále na SciPy 2016. Je to zhruba 6 hodín a sumarizuje väčšinu základov pri zavádzaní knižnice scikit-learn knižnice, ktorá môže byť vhodná pre implementáciu a ďalšie štúdium:
Ak máte záujem o pochopenie matematiky za jednotlivými algoritmami, kurzy Andrew Ng’s cousera Machine Learning – Stanfordská univerzita | Coursera (a kniha Sebastiana Raschka) poskytujú mierny úvod, ale ako hovorí Sebastian Raschka, „uvedomujem si, že to pravdepodobne nie je v rozsahu 10 dní :).“