В большинстве случаев, когда мы начинаем делать или пробовать что-то «новое», мы фактически не знаем, с чего, когда и как нам следует начать. Но если у нас есть какие-то умные планы или идеи относительно наших целей, прежде чем мы приступим к действиям, они определенно помогут нам в прогрессе в достижении наших целей. Даже иногда они могут помочь нам выявить неудачи до того, как мы действительно потерпим неудачу. Я следую и применяю то же самое всякий раз, когда делаю что-то новое. В этой статье я собираюсь обсудить план (или советы), которым я следовал, когда решил и начал изучать концепции машинного обучения. Если вы новичок в области машинного обучения или имеете представление об изучении концепций машинного обучения, эта статья действительно поможет вам (другие тоже могут ее пройти).
Как думает большинство из нас, машинное обучение связано не только с программированием. Машинное обучение включает, помимо прочего, математику, статистику и программирование. Но все же вам не нужно беспокоиться о программной части, если вы не из области программирования. Самым важным является понимание концепций машинного обучения. Если вы понимаете их, то с помощью библиотек машинного обучения их можно реализовать двумя или несколькими строками кода. Но реализация без должного понимания вам не поможет. Убедитесь, что вы правильно понимаете каждый изучаемый алгоритм, а не сосредотачиваетесь только на реализации.
Ниже приведены мои собственные правила, которые я применял (и до сих пор применяю) при изучении любой концепции машинного обучения.
1. Изучая алгоритм машинного обучения, прежде чем углубляться в математику, стоящую за ним, попытайтесь понять, что он делает, более простым способом. Это поможет вам определить, что на самом деле делает алгоритм и как.
2. Получив приблизительное представление о том, что происходит в алгоритме, глубоко погрузитесь в математику, лежащую в основе этого алгоритма. Рассмотрение математики, лежащей в основе алгоритма, на самом деле помогает вам глубже понять алгоритм. Поверьте мне, это даже помогает вам определить заблуждения, которые у вас возникают при изучении алгоритма, и заполнить имеющиеся у вас пробелы.
3. Затем примените свое математическое понимание алгоритма к небольшому набору данных. Применение алгоритма к небольшим наборам данных упрощает численные расчеты и наглядно показывает изменения, вносимые алгоритмом.
4. Изучив теорию алгоритма, узнайте, как его применять. Для этого практически реализуйте алгоритм. Но прежде чем использовать библиотеки машинного обучения напрямую, в основном попробуйте реализовать алгоритм с нуля. При реализации алгоритма с нуля попробуйте использовать небольшие наборы данных (или создайте несколько случайных точек данных), чтобы упростить реализацию и легко наблюдать за модификациями и изменениями.
5. После этого вы можете реализовать то же самое с помощью библиотек машинного обучения. Здесь вы можете попробовать применить алгоритм к большим и сложным наборам данных.
6. После изучения теории и реализации алгоритма машинного обучения поищите ответы на такие вопросы, как, например, почему, когда и где вы должны его использовать? Это поможет вам понять преимущества и недостатки алгоритма и выбрать подходящий алгоритм машинного обучения на основе сценария проблемы.
Вот и все. Это шаги, которым я следовал при изучении любого алгоритма машинного обучения. Вы можете строить свои собственные шаги и планы и следовать им.
Если вы новичок в области машинного обучения, не волнуйтесь. Все когда-то были новичками. Существует множество ресурсов и бесплатных или платных онлайн-курсов, которые можно использовать в качестве учебных материалов. Иди и найди их. Начни свое обучение. Удачи!
