Étant nouveau dans l'apprentissage automatique en général, j'aimerais commencer à jouer et voir quelles sont les possibilités.
Je suis curieux de savoir quelles applications vous pourriez recommander qui offriraient le temps le plus rapide entre l'installation et la production d'un résultat significatif.
En outre, toute recommandation de bons matériaux de démarrage sur le sujet de l'apprentissage automatique en général serait appréciée.
machine-learning
Steve Kallestad
la source
la source
Réponses:
Je recommanderais de commencer par un MOOC sur l'apprentissage automatique. Par exemple le cours d' Andrew Ng à coursera.
Vous devriez également jeter un œil à l' application Orange . Il a une interface graphique et il est probablement plus facile de comprendre certaines techniques ML en l'utilisant.
la source
Pour être honnête, je pense que faire certains projets vous en apprendra beaucoup plus que de suivre un cours complet. L'une des raisons est que faire un projet est plus motivant et ouvert que de faire des missions.
Un cours, si vous avez le temps ET la motivation (vraie motivation), vaut mieux que de faire un projet. Les autres commentateurs ont fait de bonnes recommandations de plate-forme sur la technologie.
Du point de vue d'un projet amusant, je pense que vous devriez poser une question et obtenir un ordinateur pour apprendre à y répondre.
Quelques bonnes questions classiques qui ont de bons exemples sont:
Ces projets ont le calcul fait, le code fait, et peuvent être facilement trouvés avec Google.
Vous pouvez faire d'autres sujets intéressants!
Enfin, je recherche la robotique, donc pour moi les applications les plus FUN sont comportementales. Les exemples peuvent inclure (si vous pouvez jouer avec un arduino)
Créez une application, qui utilise peut-être une régression logistique, qui apprend quand éteindre et rallumer le ventilateur en fonction de la température intérieure et de l'état de la lumière dans la pièce.
Créez une application qui apprend à un robot à déplacer un actionneur, peut-être une roue, en fonction de l'entrée du capteur (peut-être une pression sur un bouton), en utilisant des modèles de mélange gaussiens (apprentissage à partir de la démonstration).
Quoi qu'il en soit, ceux-ci sont assez avancés. Ce que je veux dire, c'est que si vous choisissez un projet que vous aimez (vraiment vraiment) et que vous y passez quelques semaines, vous en apprendrez énormément et en comprendrez bien plus que vous ne pourrez faire quelques missions.
la source
Je pense que Weka est un bon point de départ. Vous pouvez faire un tas de choses comme l'apprentissage supervisé ou le clustering et comparer facilement un large ensemble d'algorithmes na de méthodologies.
Le manuel de Weka est en fait un livre sur l'apprentissage automatique et l'exploration de données qui peut être utilisé comme matériel d'introduction.
la source
En supposant que vous êtes familier avec la programmation, je recommanderais de regarder scikit-learn . Il a des pages d'aide particulièrement intéressantes qui peuvent servir de mini-tutoriels / une visite rapide à travers l'apprentissage automatique. Choisissez un domaine que vous trouvez intéressant et parcourez les exemples.
la source
J'ai trouvé que le cours d' initiation à l'apprentissage automatique englobe une excellente ressource, alors commencez par. Il utilise la bibliothèque Encog pour explorer rapidement différentes techniques de ml.
la source
Si vous connaissez déjà R Studio, le package caret est un bon point de départ. Voici quelques tutoriels:
Avec R et le signe d'insertion, vous pouvez facilement charger et épisser des ensembles de données, réduire les fonctionnalités, analyser les composants principaux et former et prédire à l'aide de divers algorithmes.
la source
Si vous pouvez reproduire la grille de graphiques 6x3 à partir de la bannière de la page http://scikit-learn.org/ alors vous aurez appris du ML et du Python. Vous n'avez pas mentionné de langue. Python est assez facile à apprendre très rapidement, et scikit-learn dispose d'un large éventail d'algorithmes mis en œuvre.
Essayez ensuite vos propres données!
la source
En plus des cours et des tutoriels publiés, je suggérerais quelque chose d'un peu plus `` pratique '': Kaggle propose des concours d'introduction qui pourraient piquer votre intérêt (la plupart des gens commencent par le concours Titanic). Et il existe une grande variété de sujets à explorer et à concourir lorsque vous souhaitez acquérir plus d'expérience.
la source
Comme mentionné dans les réponses ci-dessus, saisissez les bases du ML en suivant les MOOC du professeur Andrew Ng et «Learning From Data» du professeur Yaser Abu-Mostafa.
R est clairement le gagnant comme l'outil le plus utilisé dans les compétitions Kaggle. (N'oubliez pas de consulter les ressources sur le wiki et les forums de Kaggle)
Apprenez R et Python de base. Piste Coursera « Data Science » a un cours d' introduction R . Presque tous les algorithmes se trouvent dans les bibliothèques Python et R. N'hésitez pas à utiliser les algorithmes que vous avez appris dans quelques compétitions de kaggle. Pour commencer, comparez les performances de plusieurs algorithmes sur l'ensemble de données Titanic et l'ensemble de données de reconnaissance de chiffres sur Kaggle .
Et continuez à vous exercer sur différents jeux de données!
la source