易县网站建设开网店需要什么准备

易县网站建设,开网店需要什么准备,做网站维护的人叫啥,网站 配色表原文#xff1a;towardsdatascience.com/how-id-learn-machine-learning-if-i-could-start-over-c68d697e6a8a 我已经作为一名数据科学家工作了两年多。随着时间的推移#xff0c;我学习和主要研究机器学习#xff08;ML#xff09;。对我来说#xff0c;这可能是工作中最…原文towardsdatascience.com/how-id-learn-machine-learning-if-i-could-start-over-c68d697e6a8a我已经作为一名数据科学家工作了两年多。随着时间的推移我学习和主要研究机器学习ML。对我来说这可能是工作中最迷人的部分。机器学习是一个大领域有很多东西要学习和理解。然而一步一步来会使整个过程不那么令人畏惧并且更容易处理。在这篇文章中我想回顾一下如果我要从头开始学习机器学习我会采取哪些步骤。让我们开始吧cdn.embedly.com/widgets/media.html?srchttps%3A%2F%2Fwww.youtube.com%2Fembed%2F5m3jsWhRCZU%3Fstart%3D160%26feature%3Doembed%26start%3D160display_nameYouTubeurlhttps%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D5m3jsWhRCZUimagehttps%3A%2F%2Fi.ytimg.com%2Fvi%2F5m3jsWhRCZU%2Fhqdefault.jpgkeya19fcc184b9711e1b4764040d3dc5c07typetext%2Fhtmlschemayoutube数学机器学习围绕着算法这些算法本质上是一系列数学运算。这些算法可以通过各种方法和多种编程语言实现但它们的底层数学原理是相同的。一个常见的论点是你不需要数学知识来学习机器学习因为大多数现代库和包都抽象了算法背后的理论。然而我认为如果你想要成为一名顶级机器学习工程师或数据科学家你至少需要了解线性代数、微积分和统计学的基础。当然还有更多的数学要学习但最好从基础知识开始你总是可以在以后丰富你的知识。你不需要对这些概念有硕士水平以上的理解但应该能够回答诸如什么是导数、如何乘矩阵以及什么是最大似然估计等问题。我刚才列出的清单几乎是每个机器学习算法的基础因此拥有这个坚实的基础将使你在长期内取得成功。我推荐你学习的一些关键内容包括多元微积分矩阵及其运算特征向量和特征值概率分布统计不确定性置信区间、预测区间等现在有许多课程可供选择你可以学习所有必需的数学知识。为了全面了解我推荐观看**freeCodeCamp上的线性代数、微积分和统计学**的视频。你还可以使用像**Khan Academy和Brilliant**这样的网站这些网站在这些主题上拥有丰富的资源。它们还有广泛的其它领域所以请随意探索Khan Academy | 免费在线课程、课程与实践Brilliant | 互动学习我的主要建议是找到一门课程完成它并继续前进。如果你在知识上有所欠缺或者甚至可以使用谷歌来查找信息PythonPython 是机器学习的黄金标准和首选编程语言。初学者常常陷入所谓的“最佳学习 Python 方法”的困境。实际上任何入门课程都足够了因为它们会教授所有相同的内容。我推荐的是**tutorialspoint、w3schools或freeCodeCamp**。我曾在某个时候使用过所有这些资源它们非常有用尤其是对于那些对这门语言完全陌生的人来说。你想要学习的主要内容包括原生数据结构字典、列表、集合和元组for 和 while 循环if-else 条件语句函数和类一些基本的数学函数Python 教程在学习任何 Python 入门课程时我最重要的建议是与课程一起编码。你需要动手实践以便让关键概念深入人心。所以确保你在做练习。机器学习库在掌握基本的 Python 技能之后是时候学习一些更具体的数据科学和机器学习包了。我推荐的是NumPy –这个库是为科学计算设计的提供了许多数学函数和矩阵支持。它用 C 语言开发具有优化的计算这对于处理大型模型和大数据特别有益。一如既往我推荐freeCodeCamp的课程*。*Pandas –这是 Python 中加载、操作和数据处理的首选库。它非常适合几乎任何数据分析任务并且易于使用。freeCodeCamp pandas 速成课程。Matplotlib– 作为一名数据科学家你需要可视化你的数据或结果。Matplotlib 由于其广泛的功能是 Python 中的主要可视化包。freeCodeCamp 课程.**我还推荐学习和安装**Anaconda这是一个用于科学计算的 Python 和 R 的软件发行框架。它基本上是一个一站式商店用于数据科学和机器学习并附带所有必要的包包括 Python、Jupyter Notebooks和环境管理器。再次推荐这个freeCodeCamp 视频它详细介绍了如何安装和使用 Anaconda**。cdn.embedly.com/widgets/media.html?srchttps%3A%2F%2Fwww.youtube.com%2Fembed%2FLHBE6Q9XlzIdisplay_nameYouTubeurlhttps%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DLHBE6Q9XlzIimagehttp%3A%2F%2Fi.ytimg.com%2Fvi%2FLHBE6Q9XlzI%2Fhqdefault.jpgkeya19fcc184b9711e1b4764040d3dc5c07typetext%2Fhtmlschemayoutube与前面的部分一样不要在这个部分花费太多时间也不要陷入教程地狱。学习基础知识然后继续下一步这可能是最激动人心的机器学习算法与理论这就是乐趣开始的地方前三个步骤都是关于为应对机器学习做好准备你的基础。这些基础任务不应该花费太多时间可能一个月左右。然而由于课程长度机器学习理论部分可能需要一些时间。重要的是不要急于求成因为每个后续步骤和模型通常都是基于前面的内容构建的。我在旅程开始时选择的课程以及我推荐你从它开始的课程是 Coursera 上的**安德鲁·吴的机器学习专项课程。我是在 2020 年上这门课当时它还在使用 Octave然而它已经进行了更新。其中包含了一些前沿主题例如推荐系统和强化学习**更不用说编码教程现在都是用 Python 编写的了机器学习这门课程将教你机器学习的方方面面并让你通过使用专门的机器学习包如**Sci-Kit Learn、XGBoost和TensorFlow**在 Python 中实际操作这些知识。尽管这门课程是入门级别的但它将涵盖你在机器学习面试中可能遇到的所有问题尤其是如果你正在申请初级职位。我推荐的下一门课程是 Andrew Ng 的**深度学习专项课程。这是机器学习专项课程的后续课程将教你关于深度学习所需了解的一切。它甚至触及了大型语言模型 (LLMs)**深度学习虽然这两门课程将涵盖你需要的几乎所有机器学习理论但请随时进行研究和补充你的学习。有如此多的细分领域和专业在这里列出所有这些领域及其课程将是一项浩大的工程。例如我最近参加的一门课程是**Andrey Karpathy 的神经网络从零到英雄**。它从零开始构建神经网络相当基础。然而在最后一集中我们构建了自己的生成预训练转换器GPT这是驱动 ChatGPT 和最近 AI 热潮的大多数模型cdn.embedly.com/widgets/media.html?srchttps%3A%2F%2Fwww.youtube.com%2Fembed%2FkCc8FmEb1nY%3Flist%3DPLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZdisplay_nameYouTubeurlhttps%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DkCc8FmEb1nYimagehttps%3A%2F%2Fi.ytimg.com%2Fvi%2FkCc8FmEb1nY%2Fhqdefault.jpgkeya19fcc184b9711e1b4764040d3dc5c07typetext%2Fhtmlschemayoutube练习学习任何东西的最佳方式是实践并获取实际操作经验。这无疑是学习机器学习最重要的步骤因为它真正巩固了你的理解。Kaggle我建议首先参加一些**Kaggle**的比赛。唯一的目标不是赢得比赛和赚钱而是学习如何将机器学习算法应用于现实世界的问题。本质上这就是机器学习在工业界的使用方式用于解决商业问题。尝试参加各种比赛以在多个领域获得经验。其中一些最常见的是时间序列预测、计算机视觉和语言建模。这将扩大你的知识面并帮助你了解你将来想要专精的方向从零开始学习机器学习我还使用的方法是使用基本的 Python 和像 NumPy 这样的包从头开始实现机器学习算法。能够从第一原理编写算法是学习它的最佳方式之一。你可以从简单的**线性回归和梯度下降开始。然后过渡到更难的内容最终逐步提升到浅层的神经网络**你可以查看我的git 仓库我在那里从头开始编写了一些这些算法。GitHub – egorhowell/ML-Algorithms-From-Scratch: 从第一原理推导机器学习算法…如何“真正”脱颖而出如果你想将事情提升到下一个层次那么你需要展示你的工作。这是一个不对称的系统。投入额外的 20%将使你领先于 80%的人。博客开始的最简单方式是拥有一个博客。写关于机器学习概念和算法的文章将提高你的理解并向潜在雇主展示你的工作。很少有人会这样做所以你将成为实践者中的顶尖人物。你可以从写任何东西开始。例如神经网络是如何工作的或者什么是**马尔可夫链。我发现写一系列关于一个主题的博客很有用。例如这是我的卷积神经网络系列**。卷积神经网络随着时间的推移你可以写更复杂的话题并开始发展一个可以帮助你定位求职方向的专长。尽管在职业生涯的早期这可能不太可能。研究论文要更进一步你可以重新实现一篇研究论文。这取决于你选择哪篇论文但这非常困难。我之前尝试过发现很难匹配论文中给出的结果。尽管如此这是学习机器学习的巅峰你将在过程中获得宝贵的知识。要找到论文我建议订阅并关注每周机器学习论文。他们有一个 时事通讯 和 Twitter 账号每周都会发送出该周发布的最大 AI 论文及其关键链接。cdn.embedly.com/widgets/media.html?typetext%2Fhtmlkeya19fcc184b9711e1b4764040d3dc5c07schematwitterurlhttps%3A//twitter.com/dair_ai/status/1749103950677111162image要理解和实现论文我建议以下步骤阅读与消化– 仔细阅读确保你理解了作者的目标、模型和结果。数据– 如果可能的话尝试获取论文中使用的相同数据。以你自己的速度阅读和分析数据。研究模型架构– 审查模型及其结构尝试并学习作者为何为他们的问题选择这种特定的架构。实施– 开始构建模型并生成结果。一步一步来缓慢迭代简单的步骤。记录这项工作也同样重要。你可以在任何地方做这件事比如在 Twitter/X、LinkedIn、GitHub 个人资料甚至是一篇博客文章。重新实现一篇论文是脱颖而出的一种最佳方式尤其是如果你想从事机器学习研究。摘要如果我必须从头开始学习机器学习我会采取以下步骤。重要的是要注意没有一种方法适合所有人你需要根据你的背景和经验来定制你的学习。我列出的部分课程和教程可能不适合你这没关系。主要的收获是简单地学习基础知识以及足够多的知识以便开始深入研究真正的机器学习问题和项目。快乐学习另一件事我提供一对一的辅导通话我们可以讨论你需要的一切——无论是项目、职业建议还是只是确定你的下一步。我在这里帮助你前进[1:1 与 Egor Howell 的辅导通话职业指导、工作建议、项目帮助、简历审查topmate.io](https://topmate.io/egorhowell/1203300)与我联系YouTubeLinkedInInstagram网站