Gdy ludzie pytają o kursy AI i uczenia maszynowego, za każdym razem wracam do tego samego punktu. Prawdziwym celem nie jest zbieranie odznak. Chodzi o wyrobienie wystarczającej biegłości, by czytać dane, trenować modele i szybko łapać błędne wyniki.
Dlatego ułożyłem najsilniejsze kursy w prostą kolejność. Niektóre uczą podstaw. Niektóre zagłębiają się w sieci neuronowe. Niektóre koncentrują się na pracy z danymi. Kilka jest szeroko zakrojonych i lżejszych, co nadal pomaga na starcie.
Dziesięć kursów, które mają największe znaczenie
-
Specjalizacja z uczenia maszynowego
To najczytelniejszy punkt startowy dla większości osób. To przyjazny dla początkujących program składający się z trzech kursów od Stanford Online i DeepLearning.AI, prowadzony przez Andrew Nga. Omawia kluczowe idee uczenia maszynowego w przejrzystej ścieżce, dzięki czemu uczeń nie zostaje przytłoczony już pierwszego dnia. -
Uczenie nadzorowane: Regresja i klasyfikacja
Ten kurs znajduje się w ramach Specjalizacji z uczenia maszynowego. Jest przydatny, ponieważ zaczyna od dwóch typów modeli, z którymi data scientistowie stykają się najczęściej. Regresja przewiduje liczbę. Klasyfikacja przewiduje klasę. -
Zaawansowane algorytmy uczenia
To kolejny krok w tej samej serii. Przechodzi poza pierwszy poziom modeli i pomaga uczniowi zobaczyć, gdzie pasują bardziej zaawansowane metody. Ma to znaczenie, bo wielu początkujących skacze do uczenia głębokiego zbyt wcześnie. -
Uczenie bez nadzoru, systemy rekomendacyjne i uczenie przez wzmacnianie
Ten kurs zamyka specjalizację. Obejmuje trzy obszary, które często pojawiają się w praktyce, ale łatwo potraktować je jako tematy poboczne. Podoba mi się, że przypominają one uczniowi, iż uczenie maszynowe to coś więcej niż zwykłe przewidywanie. -
Specjalizacja z uczenia głębokiego
To wciąż jedna z najbardziej przydatnych, uporządkowanych ścieżek dla tych, którzy chcą zrozumieć sieci neuronowe. Powstała dzięki Andrew Ng, Kian Katanforoosh i Younes Bensouda Mourri. Wartość tego miejsca nie polega na marketingowym szumie. Leży w sposobie, w jaki wyjaśnia ono, jak buduje się i trenuje sieci głębokie. -
Sztuczna inteligencja dla każdego
To nie jest kurs programowania i dobrze tak. Pomaga ludziom zrozumieć, czego AI może i czego nie może dokonać w środowisku biznesowym. Dla osób chcących zostać data scientistami taki kontekst ma znaczenie. Modele funkcjonują wewnątrz zespołów, celów i nieuporządkowanych danych. -
Uczenie maszynowe z Pythonem
Coursera również promuje ten kurs jako element ekosystemu ścieżek uczenia maszynowego. Python to prawdziwy język pracy przy wielu zadaniach data science, więc kurs łączący uczenie maszynowe z praktyką w Pythonie jest użyteczny. Jego ograniczenie jest oczywiste. Same ćwiczenia z narzędziami nie zastąpią myślenia o modelach. -
Data Science: Budowanie modeli uczenia maszynowego
Kurs Harvardu idealnie wpisuje się w potrzeby uczniów, którzy szukają strony data science uczenia maszynowego, a nie tylko matematycznej. Obejmuje popularne algorytmy, analizę głównych składowych oraz regularizację. Te tematy pojawiają się raz po raz w rzeczywistych projektach. -
Kolekcja kursów uczenia maszynowego na Coursera
Traktuję to jako przydatną ścieżkę edukacyjną, a nie pojedynczą lekcję. Grupuje ona powiązane oferty uczenia maszynowego w jednym miejscu. Pomaga to uczniom przejść od pierwszego modelu do głębszej nauki bez zgadywania, co przyniesie następny krok. -
Wprowadzające ścieżki uczenia maszynowego z dużych platform
To ostatnie miejsce jest dla szerokich, wprowadzających ścieżek, których wielu użytkowników używa, by zacząć. Nie są zawsze najgłębszą opcją, ale często obniżają pierwszy próg. To ważne, bo skończony kurs bije idealny kurs, który stoi nierozpoczęty lub niedokończony.
Co naprawdę mówi ta lista
Najlepsza ścieżka to zwykle nie jeden kurs. To krótki łańcuch. Zaczynamy od podstawowego kursu uczenia maszynowego, potem dodajemy głębszy, a następnie kurs, który łączy te idee z pracą data science w Pythonie.
Myślę też, że kolejność liczy się więcej niż marka. Uczeń, który zacznie od uczenia głębokiego zbyt wcześnie, może przegapić podstawy ewaluacji, przeuczenia i obsługi cech. Tworzy to znany problem, w którym model wygląda sprawnie w notatniku, a słabo w praktyce.
Jest tu jedno szczere ograniczenie. Strony kursów mogą wyglądać dopracowanie, ale prawdziwy test pozostaje ten sam. Kurs pomaga tylko wtedy, gdy uczy ucznia rozumowania o danych, a nie tylko powtarzania kliknięć guzików w laboratorium.
Dla osób chcących zostać data scientistami najbezpieczniejsza zasada jest prosta. Najpierw poznaj podstawowy przepływ w uczeniu maszynowym. Potem dodaj sieci neuronowe, potem praktykę z prawdziwymi narzędziami Pythona i trzymaj jedno oko na tym, jak model się zawodzi. Tam tkwi użyteczna umiejętność.
The Model Log zazwyczaj trzyma się tego samego standardu: jedna praktyczna koncepcja AI, jeden działający przykład i jedno szczere spojrzenie na to, co naprawdę działa. To odpowiedni kształt dla tego tematu, ponieważ kursy uczenia maszynowego są przydatne tylko wtedy, gdy prowadzą do jasnego myślenia i rzeczywistej umiejętności.