Как научиться разбираться в авто


Как научиться разбираться в автомобилях: краткое руководство для женщин

Как научиться разбираться в автомобилях: краткое руководство для женщин.

Практически каждый год выходят в свет всё новые и новые «шедевры» автопрома. Количество владельцев авто возрастает, и давно уже канул в Лету предрассудок, что управлять «железной лошадкой» под силу только мужчине. Леди ринулись покорять автострады и овладевать водительским мастерством. Женщина за рулем сейчас никого не удивит.

Однако, остались еще неземные создания, не имеющие понятия не только об устройстве автомобиля, но и о том, чем (кроме цвета, разумеется!) один автомобиль отличается от другого. Но и им иногда вдруг хочется самостоятельно сесть за руль и чувствовать себя при этом уверенно. Или просто поддержать разговор о машинах в компании мужчин. Да и вообще, знания об автомобилях, как и любые знания – штука полезная, и совсем не лишняя. Представительницам прекрасного пола, желающим приобщиться к миру автолюбителей, в помощь эта статья.

Итак, что же понадобится женщине - новичку для того, чтобы научиться разбираться в автомобилях? Самое важное, это, конечно же, стремление узнать всё-всё об авто, и усидчивость. Второе – это возможность пользоваться интернетом. И третье – наличие разнообразных журналов, посвященных автомобильной тематике. Тактика освоения
автопремудростей несложна. Разберем схему действий по пунктам.

1.Начало начал - изучение основных типов кузовов легковых автомобилей. Их всего четыре : седан (закрытый трехобъёмный кузов с багажником, отделенным от пассажирского салона, имеющий две, четыре или шесть боковых дверей), хэтчбэк (другое название – комби – закрытый двухобъёмный кузов, отличающийся наличием задней двери и укороченным задним свесом ), купе (закрытый двух или трехобъёмный кузов, пассажирские сиденья в котором расположены в один или два ряда,иногда имеющий отделенный от салона багажник и две боковых двери), универсал ( закрытый трёхобъёмный кузов, имеющий пятую дверь в задней стенке и багажник, не отделённый от салона, крыша которого продлена до заднего свеса). На этих четырёх типах автомобильных кузовов базируются другие типы, которых великое множество. Значение термина «двух/трёхобъёмный» раскрывается очень просто: двухобъёмный кузов разделён на два отсека – двигательный и грузопассажирский, а трёхобъемный, соответственно, на три отсека – двигательный, пассажирский и багажный.

2.Итак, в памяти хорошо закреплены знания об основных видах автомобильных кузовов и их различиях, настало время для изучения остальных, более сложных их видов, таких, как лифтбэк, хардтоп – седан, хардтоп – купе, родстер, тарга, стретч, кроссовер, минивэн, пикап, фургон, фастбэк, лимузин, бескапотный кузов, брогам, фаэтон и другие. Много информации по этому вопросу можно найти в интернете и на страницах журналов об авто.

3.Изучение многообразия производителей автомобилей и их эмблем. Так же на данном этапе следует научиться отличать отечественные авто от иномарок. Обычно на задней части автомобиля уже обозначено название модели и производителя. И опять же, можно найти информацию в автомобильных журналах, а так же воспользоваться помощью знающих людей.

4.Внешние различия автомобилей прочно усвоены, следующий этап будет посложнее. Переходим к этапу изучения технических характеристик машины, таких как класс автомобиля, тип коробки передач, вид трансмиссии, мощность двигателя, вместительность, расход топлива. Чтобы обилие информации не «задавило», нужно усваивать новое понемногу, не спеша, и помнить, что узнать и научиться всему и сразу невозможно. Постепенно, вслед за теоретическим изучением автомобильных тонкостей, придут практические навыки и умения.

 

Двигатель | Как работает автомобиль

двигатель сердце твоей машины. Это сложная машина, созданная для преобразования тепла от горения. газ в сила что поворачивает опорные колеса.

Цепь реакций, которые достигают этой цели, приводится в движение искра , который воспламеняет смесь паров бензина и сжатого воздуха внутри герметичного на мгновение цилиндр и заставляет его быстро гореть. Вот почему машина называется двигатель внутреннего сгорания , Когда смесь горит, она расширяется, обеспечивая движение автомобиля.

Чтобы выдерживать большие нагрузки, двигатель должна быть прочная конструкция. Он состоит из двух основных частей: нижняя, более тяжелая часть - это блок цилиндров, кожух основных движущихся частей двигателя; съемная верхняя крышка - это крышка цилиндра ,

В головке блока цилиндров имеются каналы с регулируемыми клапанами, через которые воздух и топливо смесь поступает в цилиндры и другие, через которые выделяются газы их сгорание исключены.

В блоке находится коленчатый вал , который преобразует возвратно-поступательное движение из поршни в вращательное движение на коленчатом валу.Часто в блоке также находится распределительный вал , который управляет механизмами, открывающими и закрывающими клапаны в ГБЦ. Иногда распредвал находится в головке или монтируется над ней.

Самый простой и распространенный тип двигателя состоит из четырех вертикальных цилиндров, расположенных в ряд, расположенных рядом. Это известно как рядный двигатель , Автомобили с объемом двигателя более 2000 куб. См часто имеют шесть рядных цилиндров.

Более компактный V-образный двигатель устанавливается в некоторые автомобили, особенно автомобили с восемью или 12 цилиндрами, а также некоторые с шестью цилиндрами.Здесь цилиндры расположены друг напротив друга под углом до 90 градусов.

Некоторые двигатели имеют горизонтально противоположные цилиндры , Они являются продолжением V-образного двигателя, угол поворота которого увеличен до 180 градусов. Преимущества заключаются в экономии высоты, а также в некоторых аспектах баланса.

Цилиндры, в которых работают поршни, залиты в блок, как и крепления для вспомогательного оборудования, такого как фильтр для масла, которым смазывается двигатель, и насос для топлива.Масло резервуар , называется отстойник , крепится болтами под картер ,

.

Подробное практическое руководство по передаче обучения с реальными приложениями в глубоком обучении | Автор: Дипанджан (DJ) Саркар

Людям присуща способность передавать знания между задачами. То, что мы приобретаем как знания, изучая одну задачу, мы используем таким же образом для решения связанных задач. Чем больше связаны задачи, тем легче нам передавать или перекрестно использовать наши знания. Вот несколько простых примеров:

  • Уметь ездить на мотоцикле ⮫ Научиться водить машину
  • Уметь играть на классическом пианино ⮫ Научиться играть на джазовом пианино
  • Знать математику и статистику ⮫ Изучить машинное обучение

В каждом из вышеперечисленных сценариев мы не изучаем все с нуля, когда пытаемся изучить новые аспекты или темы.Мы передаем и используем наши знания из того, что мы узнали в прошлом!

Традиционные алгоритмы машинного обучения и глубокого обучения до сих пор традиционно разрабатывались для работы изолированно. Эти алгоритмы обучены решать конкретные задачи. После изменения пространственного распределения модели необходимо перестраивать с нуля. Трансферное обучение - это идея преодоления изолированной парадигмы обучения и использования знаний, полученных для одной задачи, для решения связанных. В этой статье мы подробно рассмотрим концепции, объем и реальные приложения трансферного обучения и даже продемонстрируем некоторые практические примеры.Чтобы быть более конкретным, мы рассмотрим следующее.

  • Мотивация для трансферного обучения
  • Понимание трансферного обучения
  • Стратегии трансферного обучения
  • Трансферное обучение для глубокого обучения
  • Стратегии глубокого трансферного обучения
  • Типы
  • Типы
  • Типы
  • Приложения трансферного обучения
  • Пример 1: Классификация изображений с ограничением доступности данных
  • Пример 2: Мультиклассовая классификация детализированных изображений с большим количеством классов и меньшей доступностью данных
  • Преимущества трансфертного обучения
  • Задачи трансфертного обучения
  • Заключение и перспективы на будущее

Мы рассмотрим трансфертное обучение как общую концепцию высокого уровня, которая зародилась еще со времен машинного обучения и статистического моделирования, wever, в этой статье мы больше сосредоточимся на глубоком обучении.

Примечание: Все тематические исследования будут охватывать пошаговые детали с кодом и выходными данными. Приведенные здесь тематические исследования и их результаты основаны исключительно на реальных экспериментах, которые мы провели, когда реализовывали и тестировали эти модели во время работы над нашей книгой: « Практическое занятие по переносу обучения с Python » (подробности в конце этой статьи).

Цель этой статьи - попытаться охватить теоретические концепции, а также продемонстрировать практические примеры приложений глубокого обучения в одном месте, учитывая информационную перегрузку, которая присутствует в Интернете.Все примеры будут рассмотрены на Python с использованием keras с бэкэндом tensorflow, что идеально подходит для людей, которые являются ветеранами или только начинают работать с глубоким обучением! Заинтересованы в PyTorch? Не стесняйтесь преобразовывать эти примеры и обращаться ко мне, и я опубликую ваши работы здесь и на GitHub!

Мы уже вкратце обсуждали, что люди не изучают все с нуля и не используют и не переносят свои знания из ранее изученных областей в новые области и задачи.Учитывая повальное увлечение True Artificial General Intelligence , трансфертное обучение - это то, что, по мнению ученых и исследователей, может способствовать нашему прогрессу в направлении AGI . Фактически, Эндрю Нг , известный профессор и специалист по обработке данных, который был связан с Google Brain, Baidu, Stanford и Coursera, недавно представил в NIPS 2016 замечательный учебник под названием 'Гайки и болты по созданию приложений ИИ с использованием глубокого обучения ' , где он упомянул,

После контролируемого обучения - трансферное обучение станет следующим фактором коммерческого успеха ML

Я рекомендую заинтересованным людям ознакомиться с его интересным руководством от NIPS 2016.

Фактически, трансферное обучение - это не концепция, которая возникла только в 2010-х годах. Нейронные системы обработки информации (NIPS) 1995, семинар «Учимся учиться: консолидация и передача знаний в индуктивных системах» , как полагают, послужили первоначальной мотивацией для исследований в этой области. С тех пор такие термины, как Learning to Learn , Knowledge Consolidation и Inductive Transfer , стали взаимозаменяемыми с трансферным обучением.Неизменно разные исследователи и академические тексты дают определения из разных контекстов. В своей знаменитой книге Deep Learning Гудфеллоу и др. Рассматривают трансферное обучение в контексте обобщения. Их определение выглядит следующим образом:

Ситуация, когда то, что было изучено в одной настройке, используется для улучшения обобщения в другой настройке.

Таким образом, ключевой мотивацией, особенно с учетом контекста глубокого обучения, является тот факт, что большинство моделей, которые решают сложные проблемы, требуют большого количества данных, а получение больших объемов помеченных данных для контролируемых моделей может быть действительно затруднительным, учитывая время и усилия, необходимые для маркировки точек данных.Простой пример будет ImageNet набор данных , , который имеет миллионы изображений, относящихся к различным категориям, благодаря лет напряженной работы, начиная с Stanford!

Популярная задача ImageNet, основанная на базе данных ImageNet

Однако получить такой набор данных для каждого домена сложно. Кроме того, большинство моделей глубокого обучения очень специализированы для определенной области или даже конкретной задачи. Хотя это могут быть современные модели с действительно высокой точностью и превосходящими все тесты, они будут применяться только на очень конкретных наборах данных и в конечном итоге будут иметь значительную потерю производительности при использовании в новой задаче, которая может быть похожей. к тому, на котором он был обучен.Это формирует мотивацию для трансфертного обучения, которое выходит за рамки конкретных задач и областей, и пытается увидеть, как использовать знания из предварительно обученных моделей и использовать их для решения новых проблем!

Первое, что следует здесь помнить, это то, что трансферное обучение - это не новая концепция, которая очень специфична для глубокого обучения. Существует резкая разница между традиционным подходом к построению и обучению моделей машинного обучения и использованием методологии, соответствующей принципам трансферного обучения.

Традиционное обучение и трансферное обучение

Традиционное обучение изолировано и происходит исключительно на основе определенных задач, наборов данных и обучения на них отдельных изолированных моделей. Не сохраняется никаких знаний, которые можно было бы перенести от одной модели к другой. При трансферном обучении вы можете использовать знания (характеристики, веса и т. Д.) Из ранее обученных моделей для обучения новых моделей и даже решать такие проблемы, как наличие меньшего количества данных для новой задачи!

Давайте разберемся с предыдущим объяснением на примере.Предположим, наша задача - идентифицировать объекты на изображениях в ограниченной зоне ресторана. Обозначим эту задачу в определенном объеме как T1 . Учитывая набор данных для этой задачи, мы обучаем модель и настраиваем ее так, чтобы она хорошо работала (обобщала) на невидимых точках данных из того же домена (ресторана). Традиционные алгоритмы машинного обучения с учителем не работают, когда у нас нет достаточного количества обучающих примеров для выполнения необходимых задач в данных областях. Предположим, теперь мы должны обнаруживать объекты на изображениях в парке или кафе (скажем, задача T2 ).В идеале мы должны иметь возможность применить модель, обученную для T1 , но на самом деле мы сталкиваемся с ухудшением производительности и моделями, которые плохо обобщаются. Это происходит по разным причинам, которые мы можем в широком смысле и вместе назвать предвзятым отношением модели к обучающим данным и предметной области.

Трансферное обучение должно позволить нам использовать знания из ранее изученных задач и применять их к более новым, связанным задачам. Если у нас есть значительно больше данных для задачи T1 , мы можем использовать ее обучение и обобщить эти знания (функции, веса) для задачи T2 (которая имеет значительно меньше данных).В случае проблем в области компьютерного зрения некоторые низкоуровневые функции, такие как края, формы, углы и интенсивность, могут использоваться в разных задачах, что позволяет передавать знания между задачами! Кроме того, как мы изобразили на предыдущем рисунке, знания из существующей задачи действуют как дополнительный ввод при изучении новой целевой задачи.

Формальное определение

Давайте теперь взглянем на формальное определение трансферного обучения, а затем воспользуемся им для понимания различных стратегий.В своей статье A Survey on Transfer Learning Пан и Ян используют предметную область, задачу и предельные вероятности, чтобы представить основу для понимания трансферного обучения. Структура определяется следующим образом:

Домен, D , определяется как двухэлементный кортеж, состоящий из пространства признаков, , и предельной вероятности, P (Χ) , где Χ - это примерная точка данных. Таким образом, мы можем представить область математически как D = {ꭕ, P (Χ)}

Здесь xᵢ представляет определенный вектор, как показано на приведенном выше изображении.Задача T , с другой стороны, может быть определена как двухэлементный кортеж пространства меток γ и целевой функции η . Целевая функция также может быть обозначена как P (γ | Χ) с вероятностной точки зрения.

Таким образом, вооружившись этими определениями и представлениями, мы можем определить трансферное обучение следующим образом, благодаря отличной статье от Себастьяна Рудера.

Сценарии

Давайте теперь рассмотрим типичные сценарии, включающие трансферное обучение, на основе нашего предыдущего определения.

.

Как научиться глубокому обучению за 6 месяцев | by Bargava

Вполне возможно научиться, следить и вносить свой вклад в современные разработки в области глубокого обучения примерно за 6 месяцев. В этой статье подробно описаны шаги для этого.

Предварительные требования

- Вы готовы тратить 10–20 часов в неделю в течение следующих 6 месяцев
- У вас есть навыки программирования. Вам должно быть удобно изучать Python по пути. И облако. (Предполагается, что опыт работы в Python и облаке отсутствует).
- Некоторое математическое образование в прошлом (алгебра, геометрия и т.д.).
- Доступ в Интернет и компьютер.

Step 1

Мы учимся управлять автомобилем - на вождении. Не изучая, как работает сцепление и двигатель внутреннего сгорания. По крайней мере, не изначально. При изучении глубокого обучения мы будем следовать тому же подходу сверху вниз.

Пройдите курс fast.ai - Практическое глубокое обучение для кодеров - Часть 1. Это займет около 4–6 недель. В этом курсе есть сеанс по запуску кода в облаке.Google Colaboratory имеет бесплатный доступ к графическому процессору. Начни с этого. Другие варианты включают Paperspace, AWS, GCP, Crestle и Floydhub. Все это здорово. Не начинайте строить собственную машину. По крайней мере, еще нет.

Step 2

Пришло время узнать некоторые основы. Узнайте об исчислении и линейной алгебре.

Что касается исчисления, Big Picture of Calculus дает хороший обзор.

Что касается линейной алгебры, то курс Gilbert Strang's MIT по OpenCourseWare просто великолепен.

После того, как вы закончите два вышеупомянутых, прочтите Матричное исчисление для глубокого обучения.

Step 3

Пришло время понять восходящий подход к глубокому обучению. Пройдите все 5 курсов по глубинному обучению на Coursera. Вы должны заплатить, чтобы получить оценку за задания. Но усилия того стоят. В идеале, учитывая имеющийся у вас опыт, вы должны иметь возможность проходить один курс каждую неделю.

Шаг 4

«Вся работа и никакие развлечения делают Джека скучным мальчиком»

Сделайте завершающий проект.Это время, когда вы углубляетесь в библиотеку глубокого обучения (например, Tensorflow, PyTorch, MXNet) и реализуете архитектуру с нуля для решения проблемы, которая вам нравится.

Первые три шага - это понимание того, как и где использовать глубокое обучение, и получение прочной основы. Этот шаг предназначен для реализации проекта с нуля и создания прочной основы для инструментов.

Step 5

А теперь приступайте к курсу Fast.ai, часть II - передовое глубокое обучение для кодеров.Это охватывает более сложные темы, и вы научитесь читать последние исследования и разбираться в них.

Каждый этап занимает около 4–6 недель. И примерно через 26 недель с того момента, как вы начали, и если вы неукоснительно следовали всему вышеперечисленному, у вас будет прочный фундамент в глубоком обучении.

Куда идти дальше?

Пройдите курсы CS231n и CS224d Стэнфордского университета. Эти два великолепных курса с большой глубиной зрения и НЛП соответственно.Они охватывают последние достижения в области искусства. И прочтите книгу по глубокому обучению. Это укрепит ваше понимание.

Удачного глубокого обучения. Создавайте каждый божий день.

.

«Я хочу изучать искусственный интеллект и машинное обучение. С чего начать? »| Даниэль Бурк

Я работал в Apple Store и хотел перемен. Чтобы начать создавать технологию, которую я обслуживал.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI).

Так много всего происходит. Перебор.

Каждую неделю кажется, что Google или Facebook выпускают новый вид ИИ, чтобы ускорить работу или улучшить наш опыт.

И не обращайте внимания на количество компаний, занимающихся беспилотными автомобилями.Хотя это и хорошо. Я не любитель водить машину, а дороги опасны.

Даже несмотря на то, что все это происходит, до сих пор не существует согласованного определения того, что такое искусственный интеллект.

Некоторые утверждают, что глубокое обучение можно считать ИИ, другие скажут, что это не ИИ, если оно не пройдет тест Тьюринга.

Эта нечеткость вначале сильно замедлила мой прогресс. Трудно было выучить что-то, что имеет так много разных определений.

Довольно определений.

Мы с друзьями создавали веб-стартап. Это не удалось. Мы сдались из-за отсутствия смысла. Но по ходу дела я все больше и больше слышал о машинном обучении и искусственном интеллекте.

«Компьютер учится за вас?» Я не мог поверить в это.

Я наткнулся на программу Deep Learning Nanodegree от Udacity. Веселый персонаж по имени Сирадж Раваль был в одном из промо-роликов. Его энергия была заразительна. Несмотря на то, что я не отвечал основным требованиям (я никогда раньше не писал ни строчки на Python), я подписался.

За 3 недели до даты начала курса я написал в службу поддержки Udacity по электронной почте, спрашивая, какова политика возврата. Я боялся, что не смогу пройти курс.

Мне не вернули деньги. Я прошел курс в установленные сроки. Это было сложно. Иногда действительно сложно. Мои первые два проекта были сданы с опозданием на четыре дня. Но волнение от участия в одной из самых важных технологий в мире двигало меня вперед.

Завершив курс Deep Learning Nanodegree, я гарантированно принял участие в программе Udacity AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree.Все отличные варианты.

Я снова потерялся.

Классика. «Куда мне идти дальше?»

Мне нужна была учебная программа. Я заложил фундамент с помощью Deep Learning Nanodegree, теперь пришло время выяснить, что будет дальше.

Я не планировал в ближайшее время возвращаться в университет. В любом случае у меня не было 100000 долларов на получение степени магистра.

Итак, я сделал то, что делал вначале. Обратился за помощью к моему наставнику, Google.

Я начал глубокое обучение без каких-либо предварительных знаний в этой области.Вместо того, чтобы подняться на вершину айсберга искусственного интеллекта, вертолет высадил меня на вершине.

Изучив несколько курсов, я составил список из них, которые больше всего интересовали меня в Trello.

Trello - мой личный помощник / координатор курса.

Я знал, что онлайн-курсы часто бросают. Я не собирался позволять себе быть частью этого числа. У меня была миссия.

Чтобы взять на себя ответственность, я начал делиться своим опытом обучения онлайн. Я решил, что могу попрактиковаться в передаче того, что узнал, а также найти других людей, которым интересны те же вещи, что и я.Мои друзья все еще думают, что я пришелец, когда я отправляюсь в одну из своих авантюр с искусственным интеллектом.

Я сделал доску Trello общедоступной и написал в блоге сообщение о своих усилиях.

Учебная программа немного изменилась с тех пор, как я ее впервые написал, но она по-прежнему актуальна. Я посещал доску Trello несколько раз в неделю, чтобы отслеживать свои успехи.

Я австралиец. И все волнения, казалось, происходили в США.

Итак, я поступил наиболее логично и купил билет в один конец. Я проучился год и решил, что пора начать применять свои навыки на практике.

Мой план состоял в том, чтобы попасть в США и получить работу.

Затем Эшли написала мне в LinkedIn: «Привет, я видела твои публикации, и они действительно классные, я думаю, тебе стоит познакомиться с Майком».

Я встретил Майка.

Я рассказал ему свою историю онлайн-обучения, как мне нравятся медицинские технологии и мои планы поехать в США.

«Возможно, тебе лучше остаться здесь на год или около того и посмотреть, что ты найдешь, я думаю, тебе бы хотелось познакомиться с Кэмерон».

Я встретил Кэмерон.

У нас был такой же разговор, о котором мы говорили с Майком.Здоровье, технологии, онлайн-обучение, США.

«Мы работаем над некоторыми проблемами со здоровьем, почему бы вам не прийти в четверг?»

Пришел четверг. Я нервничал. Но однажды кто-то сказал мне, что нервничать - это то же самое, что быть возбужденным. Я был взволнован.

Я провел день, встречаясь с командой Макса Кельзена и проблемами, над которыми они работали.

Два четверга спустя Ник, генеральный директор Athon, ведущий инженер по машинному обучению, и я пошли выпить кофе.

«Хотели бы вы присоединиться к команде?» - спросил Ник.

«Конечно», - сказал я.

Мой рейс в США был перенесен на пару месяцев, и я купил обратный билет.

Изучая онлайн, я знал, что это необычно. Все должности, на которые я претендовал, имели степень магистра или, по крайней мере, какую-то техническую степень.

У меня не было ни того, ни другого. Но у меня были навыки, которые я получил на множестве онлайн-курсов.

По пути я делилась своей работой в Интернете. Мой GitHub содержал все проекты, над которыми я работал, мой LinkedIn был разложен, и я практиковался в передаче того, что я узнал, через YouTube и статьи на Medium.

Я никогда не сдавал резюме Максу Кельсену. «Мы видели ваш профиль в LinkedIn».

Моей основной работой было резюме.

Независимо от того, учитесь ли вы онлайн или получаете степень магистра, портфолио того, над чем вы работали, - отличный способ создать скин в игре.

Навыки машинного обучения и искусственного интеллекта пользуются спросом, но это не значит, что вам не нужно их демонстрировать. Даже самый лучший продукт не будет продаваться без места на полке.

Будь то GitHub, Kaggle, LinkedIn или блог, всегда есть место, где люди смогут вас найти.Кроме того, иметь собственный уголок в Интернете - это очень весело.

Куда вы идете, чтобы научиться этим навыкам? Какие курсы самые лучшие?

Нет лучшего ответа. У каждого будет свой путь. Некоторые люди лучше учатся с помощью книг, другие - с помощью видео.

Что важнее, чем то, как вы начали, так это то, почему вы начинаете.

Начнем с того, почему.

Почему вы хотите получить эти навыки?

Хотите зарабатывать деньги?

Хотите строить вещи?

Хотите что-то изменить?

Нет правильной причины.Все действительны по-своему.

Начните с вопроса «почему», потому что «почему» важнее, чем «как». Иметь «почему» означает, что когда становится трудно, а становится трудно, у вас есть к чему обратиться. Что-то, чтобы напомнить вам, почему вы начали.

Понял почему? Хорошо. Время для некоторых сложных навыков.

Могу порекомендовать только то, что пробовал.

Я прошел курсы (по порядку):

  • Treehouse - Introduction to Python
  • DataCamp - Introduction to Python & Python for Data Science Track
  • Udacity - Deep Learning & AI Nanodegree
  • Coursera - Deep Learning by Эндрю Нг
  • быстро.ai - Часть 1, скоро будет Часть 2

Они все мирового класса. Я визуально обучаюсь. Я лучше учусь видеть, что делается. Все эти курсы так и делают.

Если вы абсолютный новичок, начните с некоторых вводных курсов Python, а когда почувствуете себя немного увереннее, переходите к науке о данных, машинному обучению и искусственному интеллекту. DataCamp отлично подходит для начинающих, изучающих Python, но желающих изучить его с упором на науку о данных и машинное обучение.

Самый высокий уровень математического образования у меня был в средней школе.Остальное я узнал через Khan Academy, так как мне это было нужно.

Существует множество различных мнений о том, сколько математики вам нужно знать, чтобы заняться машинным обучением и искусственным интеллектом. Я поделюсь своим.

Если вы хотите применить методы машинного обучения и искусственного интеллекта к решению проблемы, вам не обязательно иметь глубокое понимание математики, чтобы получить хороший результат. Такие библиотеки, как TensorFlow и PyTorch, позволяют кому-то с небольшим опытом работы с Python создавать современные модели, в то время как математика выполняется за кулисами.

Если вы хотите углубиться в исследования в области машинного обучения и искусственного интеллекта с помощью программы PhD или чего-то подобного, глубокие знания математики имеют первостепенное значение.

В моем случае я не хочу углубляться в математику и улучшать производительность алгоритма на 10%. Я предоставлю это людям умнее меня.

Вместо этого я более чем счастлив использовать доступные библиотеки и манипулировать ими, чтобы решать проблемы так, как я считаю нужным.

То, что делает на практике инженер-машиностроитель, может быть не тем, что вы думаете.

Несмотря на обложки многих статей в Интернете, это не всегда связано с работой с роботами с красными глазами.

Вот несколько вопросов, которые инженер по машинному обучению должен задавать себе ежедневно.

  • Контекст - Как можно использовать машинное обучение, чтобы узнать больше о вашей проблеме?
  • Данные - Вам нужно больше данных? В какой форме это должно быть? Что делать, если данные отсутствуют?
  • Моделирование - Какую модель вам следует использовать? Это слишком хорошо работает с данными (переоснащение)? Или почему не очень хорошо работает (не подходит)?
  • Производство - Как вы можете запустить свою модель в производство? Это должна быть онлайн-модель или она должна обновляться через определенные промежутки времени?
  • Постоянно - Что произойдет, если ваша модель сломается? Как улучшить его, добавив больше данных? Есть ли способ лучше?

Я позаимствовал их из замечательной статьи Рэйчел Томас, одной из соучредителей Fast.аи, она углубляется в полный текст.

Для подробностей я снял видео о том, чем мы обычно занимаемся в понедельник в Max Kelsen.

Нет правильного или неправильного способа попасть в ML или AI (или что-то еще).

Самое прекрасное в этой области состоит в том, что у нас есть доступ к одним из лучших технологий в мире, все, что нам нужно сделать, это научиться их использовать.

Вы можете начать с изучения кода Python (мой любимый).

Вы можете начать с изучения математического анализа и статистики.

Вы можете начать с изучения философии принятия решений.

Машинное обучение и искусственный интеллект восхищают меня, потому что они пересекаются на стыке всего этого.

Чем больше я узнаю об этом, тем больше понимаю, что мне еще есть чему поучиться. И это меня возбуждает.

Иногда я расстраиваюсь, когда мой код не запускается. Или я не понимаю концепции. Поэтому я временно сдаюсь. Я сдаюсь, позволяя себе уйти от проблемы и вздремнуть. Или пойти прогуляться.Когда я возвращаюсь, мне кажется, что я смотрю на это другими глазами. Волнение возвращается. Я продолжаю учиться. Говорю я себе. Я обучающаяся машина.

В этой области происходит столько всего, что может быть сложно начать работу. Слишком много вариантов приводит к отсутствию вариантов. Игнорируйте это.

Начинайте с того, что вас больше всего интересует, и следите за этим. Если это приведет к тупику, отлично, вы поняли, что вам неинтересно. Вернитесь назад и вместо этого сверните на другую развилку дороги.

Компьютеры умны, но они все еще не могут учиться самостоятельно.Им нужна твоя помощь.

.

Смотрите также