Princípios de autoaprendizagem eficaz para quem deseja aprender o aprendizado de máquina

As abordagens de aprendizagem podem ser divididas em princípios de "como ensinar" e diretamente "o que ensinar". Mesmo com um bom currículo (“o que aprender”), você pode acabar com pouca exaustão se aprender de forma ineficaz. Portanto, primeiro você precisa determinar quais princípios são eficazes.

Cito apenas os princípios que eu mesmo utilizo, desde o óbvio até aqueles que muitos conhecem mas não utilizam na autoeducação, embora não sejam menos universais. Em geral, esses são princípios muito gerais de aprendizado, que adaptei ligeiramente às especificidades do aprendizado de máquina e indiquei exemplos específicos.

Esses princípios me ajudaram a passar com relativa rapidez de 1C para cientista de dados e, em dois anos, crescer para o nível de signor, em termos de salário e autonomia (link para o artigo anterior sobre isso)

Você precisa entender a essência, princípios e conceitos, intuição. Não tente apenas lembrar

"O conhecimento de alguns princípios elimina a necessidade de conhecer muitos fatos"

"Veja na raiz" (Kozma Prutkov)

Na escola e na faculdade, muitos foram vítimas de abordagens quando era importante decorar alguma coisa ou saber alguns detalhes sem importância. Lembro-me de como fiquei surpreso ao ver que muitos dos principais professores americanos que ministram cursos no coursera.org tentam primeiro explicar a intuição de diferentes abordagens, incluindo as totalmente matemáticas, em vez de mostrar as fórmulas. Na prática, muitas vezes você não precisará saber as fórmulas exatas (ou terá tempo para se lembrar delas). Mas, para tomar as decisões certas, você precisa ter em mente os princípios e a lógica que estão por trás das diferentes abordagens.

Portanto, quando você estuda matemática, os princípios de diferentes algoritmos ou mesmo fórmulas individuais, é importante se concentrar em entender as coisas e os princípios básicos por trás dessas fórmulas, em vez de memorizá-los.

( , ) .

(Andrew Ng), , , . , ( ).

, :

• 
  
  
  
  

• , - ,

  
  
  
  
  

• ( )

  
  
  
  
  

• -

  
  
  
  
  

• "" -

  
  
  
  
  

• . , , ,

  
  
  
  
  

, :

• (log-odds), ,

  
  
  
  
  

• log-likelihood: log? ,

  
  
  
  
  

• . , ,

  
  
  
  
  

" - 10% 90% ". .

, . - . .

, , - , , - , .

:

• : 2-3 . , . : . - -

  
  
  
  
  

• : -. , , Python -, http://pythontutor.ru/

  
  
  
  
  

• : - : -, - , , - : " , ?". - ! , , / - , . ( , , , ).

  
  
  
  
  

2-3 . .

: ,

, , . , - - .

, . , , , . , . , , . .

, :

• machine learning data science , , . , / . ( .).

  
  
  
  
  

• , , , . . (, )

  
  
  
  
  

• , , , . /, , . " " - , , ( ), .

  
  
  
  
  

3- , /, : , , , .

" ", , , , . , Andrej Karpathy, Tesla, - , .

:

, ; , ; , , . 

.

- , .

, - , ! , .

- . .

", : — , — !" (.).

- . , . : , " ", .. , . . , , .. , (: Andrej Karpathy ).

- ( ), , . . , , , , . , ( ).

:

" . . . , .  - . . , .

. . , , , …"

- Explore/exploit trade-off.

, , :

- . - - , , . - , , (, , ). : (explore) , (exploit). , , : - , , .

, , . , , , - - - (, ).

, - , . :

, / . , / , , - . . , , , - , . , , , , (!), , , , , , , - ..

, , .

. . , , . , - . , ? . , udemy.com coursera.org. : , - . /. , , , " ".

, / 20% . , , .

- : !

, .

, , , . . (!) , .

data science, . , , / . , " ": " -, ".

. , . , .

, , anki ankidroid . , . , ankidroid bash.  , , , . . 

. , , data science, . ( .. ).

.

, ( 2 ) , , .

: , .

Talvez falemos ao telefone uma vez e isso será o suficiente para você. Mas estou aqui para ajudar a substituir programas de cursos pagos, fornecendo a você um currículo personalizado e falando sobre os melhores livros e cursos online e como encontrá-los gratuitamente. Ou seja, você pode aprender não apenas de forma mais eficiente, mas também mais barato. Sua promessa é suficiente para mim, que quando sentir o resultado, você pagará por ele como achar melhor.

self.development.mentor no domínio gmail.com, Oleg