Comments 14
По теме есть неплохие уроки от Microsoft на edX. К ним прилагаются и коды из видео. ML идет в связке с Python или R на выбор.
Собственно, есть программа Академия от Microsoft, посвященная Data Science, в том числе и машинное обучение на базе Azure ML.
Поделитесь ссылками? :-)
1. Ссылки на edX
Microsoft: DAT203.3x Applied Machine Learning
Microsoft: DAT203.2x Principles of Machine Learning
Microsoft: DAT203.1x Data Science Essentials
По сути, они идут из следующего пункта.
2. Microsoft Professional Program — в конце имеем Microsoft Professional Program Certificate in Data Science.
В принципе, если есть свободное время, то можно изучать материалы из Cortana Intelligence Gallery. Там масса всего интересного на разные случаи жизни.
Microsoft: DAT203.3x Applied Machine Learning
Microsoft: DAT203.2x Principles of Machine Learning
Microsoft: DAT203.1x Data Science Essentials
По сути, они идут из следующего пункта.
2. Microsoft Professional Program — в конце имеем Microsoft Professional Program Certificate in Data Science.
В принципе, если есть свободное время, то можно изучать материалы из Cortana Intelligence Gallery. Там масса всего интересного на разные случаи жизни.
Гайд на тему: "Как нажать на кнопки, чтобы что нибудь произошло".
Сомневаюсь, что этой статье место на хабре, или даже на Гиктаймс
Наконец-то запилили тулзу, решающую 90% задач машинного обучения 90% компаний методом перетаскивания мышкой. Возможно, когда каждая домохозяйка сможет в machine learning, хайп вокруг него поубавится.
Drag and drop это конечно весело и просто, но сути не раскрывает вообще.
Вот вы упомянули изучение NumPy. А где его использование? Зачем, спрашивается, сразу нырять в Big Data с сотнями тысяч наблюдений, если можно простенькую модельку написать на питоне и показать здесь? Было бы более информативно, на мой взгляд.
Согласен с Daniyar94.
Вот вы упомянули изучение NumPy. А где его использование? Зачем, спрашивается, сразу нырять в Big Data с сотнями тысяч наблюдений, если можно простенькую модельку написать на питоне и показать здесь? Было бы более информативно, на мой взгляд.
Согласен с Daniyar94.
Я рассказала о своем опыте и о том, что он был болезненным. А затем показала, что можно было начать проще.
Если бы я вплела сюда numpy, то я бы предложила читателю повторить мой путь. Я не хочу, чтобы люди повторяли мои страдания. :-)
Зачем нырять? Чтобы целиком ощутить свою причастность к процессу.
Нужно ли в итоге учить математику и программирование? Конечно, да. Но даже и в самом начале уже можно делать крутые вещи, постепенно изучая необходимое.
Если бы я вплела сюда numpy, то я бы предложила читателю повторить мой путь. Я не хочу, чтобы люди повторяли мои страдания. :-)
Зачем нырять? Чтобы целиком ощутить свою причастность к процессу.
Нужно ли в итоге учить математику и программирование? Конечно, да. Но даже и в самом начале уже можно делать крутые вещи, постепенно изучая необходимое.
У меня опыт машинного обучения не слишком большой — начал изучать его в августе-сентябре 2016 и недавно нашёл работу (до этого программирование практически не знал). Я могу ошибаться, но считаю, что начинать знакомство с машинным обучением с готовых инструментов — не самая хорошая идея. Многие алгоритмы регрессии и классификации радикально отличаются друг от друга и стоит понимать их особенности.
Кроме того, данные обычно нужно обрабатывать.
Ну и к тому же, если нужно что-то кроме простой классификации/регрессии и нужно построить рекомендательные системы, обработку естественного языка или что-то ещё или использовать нейронные сети, то явно придётся программировать.
Кроме того, данные обычно нужно обрабатывать.
Ну и к тому же, если нужно что-то кроме простой классификации/регрессии и нужно построить рекомендательные системы, обработку естественного языка или что-то ещё или использовать нейронные сети, то явно придётся программировать.
Спасибо за подробное объяснение :)
Да, конечно, я с вами целиком согласна, что необходимо разбираться в области, иначе далеко не уехать.
Но для большинства ML оказывается настолько сложен, что пока человек разберется с матчастью, уже успевает пройти весь запал. Мне кажется, что простые готовые инструменты помогают постоянно держать мотивацию на нужном уровне.
Можно изучить новый алгоритм и сразу попробовать его в бою, настроив какие-то параметры. Можно один из блоков заменить на собственный код, а остальные оставить как есть — и тоже сразу посмотреть, остается ли модель рабочей. Стала ли она лучше.
В общем, вы правы, что нужно знать математику и программирование. Но готовые инструменты сильно облегчают процесс изучения и вхождения в область.
Да, конечно, я с вами целиком согласна, что необходимо разбираться в области, иначе далеко не уехать.
Но для большинства ML оказывается настолько сложен, что пока человек разберется с матчастью, уже успевает пройти весь запал. Мне кажется, что простые готовые инструменты помогают постоянно держать мотивацию на нужном уровне.
Можно изучить новый алгоритм и сразу попробовать его в бою, настроив какие-то параметры. Можно один из блоков заменить на собственный код, а остальные оставить как есть — и тоже сразу посмотреть, остается ли модель рабочей. Стала ли она лучше.
В общем, вы правы, что нужно знать математику и программирование. Но готовые инструменты сильно облегчают процесс изучения и вхождения в область.
Если это инструмент для вхождения в область — это хорошо :)
Возможность настраивать параметры и использовать собственный код — удобная вещь. Учитывая это, действительно, хорошо для начала.
Кстати говоря, если есть желание попробовать машинное обучение на практике с использованием программирования, то Kernels на Kaggle — хорошая идея. Ничего не надо устанавливать и большое количество рабочих примеров, которые можно поизменять.
Возможность настраивать параметры и использовать собственный код — удобная вещь. Учитывая это, действительно, хорошо для начала.
Кстати говоря, если есть желание попробовать машинное обучение на практике с использованием программирования, то Kernels на Kaggle — хорошая идея. Ничего не надо устанавливать и большое количество рабочих примеров, которые можно поизменять.
У меня статья вызвала только один вопрос: что символизирует мужик с болгаркой на КДПВ? (кстати нарушающий ТБ)
Меня несколько удивляет, почему компания Microsoft, практически, умалчивает о существовании такого мощного и доступного инструмента. Нет никакой «просветительской» работы или пиара типа «Машинное обучение в каждый дом». В рекламе Azure упоминаются, наверное, все службы, кроме ML. Ну, или мне так «повезло»…
Статья полезная и своевременная. Конечно, она не является учебником, но, хотя бы, позволяет донести читателям информацию, что есть такой вот сервис, который предлагает такие-то инструменты. И, на мой взгляд главное, что им могут успешно воспользоваться не программисты. Но на данном ресурсе, наверное, не совсем та целевая аудитория. Подобный материал, скорее, пошел бы «на ура» среди тех, кому уже не хватает возможностей того же Excel и кто не планирует становиться программистом: экономисты, финансисты, ученые и т.п. Во всяком случае, ничего сложнее, чем скрипты на R или Python. В случае с Azure ML, это лишь манипуляции с данными и вывод диаграмм, все сложности типа нейросетей и алгоритмы моделирования заложены в самой системе в тех самых боксах, которые можно просто перетащить мышкой. Кстати, если пользователь не уверен, какую именно модель ему лучше использовать в том или ином случае, то всегда можно «нарисовать» несколько (параллельно) и просто сравнить результаты их работы. Потом выбрать лучшую. В модуле Evaluate два входа, на которые можно пустить данные от двух разных моделей — получим сравнительный анализ. Но это уже детали.
Статья полезная и своевременная. Конечно, она не является учебником, но, хотя бы, позволяет донести читателям информацию, что есть такой вот сервис, который предлагает такие-то инструменты. И, на мой взгляд главное, что им могут успешно воспользоваться не программисты. Но на данном ресурсе, наверное, не совсем та целевая аудитория. Подобный материал, скорее, пошел бы «на ура» среди тех, кому уже не хватает возможностей того же Excel и кто не планирует становиться программистом: экономисты, финансисты, ученые и т.п. Во всяком случае, ничего сложнее, чем скрипты на R или Python. В случае с Azure ML, это лишь манипуляции с данными и вывод диаграмм, все сложности типа нейросетей и алгоритмы моделирования заложены в самой системе в тех самых боксах, которые можно просто перетащить мышкой. Кстати, если пользователь не уверен, какую именно модель ему лучше использовать в том или ином случае, то всегда можно «нарисовать» несколько (параллельно) и просто сравнить результаты их работы. Потом выбрать лучшую. В модуле Evaluate два входа, на которые можно пустить данные от двух разных моделей — получим сравнительный анализ. Но это уже детали.
Sign up to leave a comment.
Как полюбить машинное обучение и перестать страдать