راهنمای متقاضیان یادگیری عمیق با تمرکز بر دانش آموزان غیر کامپیوتر

منبع: https://imgur.com/gallery/ulEBFF

یک س veryال بسیار رایج که من دریافت می کنم این است ، "چگونه می توان با یادگیری عمیق شروع کرد؟". در حال حاضر ، در حال حاضر پاسخ های بسیار خوبی در مورد این موضوع مانند این و این وجود دارد (آنها منابع زیادی را ذکر کرده اند و شما قطعاً باید آنها را بررسی کنید). این فقط تلاشی است برای پاسخ به این س basedال بر اساس تجربه من ، ارائه یک مسیر دقیق تر و دقیق تر و سفری از طریق چالش های مختلفی که احساس کردم. این پست با آشنایی با مبانی علوم کامپیوتر و ریاضی شروع می شود ، از طریق شروع به یادگیری ماشین و یادگیری عمیق ، به تخصص و مشاوره در پروژه ، ساختن مشخصات خود ، شبکه و اهمیت و در نهایت با نکاتی که من به آنها می دادم پایان می یابد. خود جوانتر من.

دلیل اینکه عنوان عنوان می کند در درجه اول برای دانش آموزان غیر CS است زیرا آنها مانع ذاتی را در مسیر خود احساس می کنند و فقط به دلیل رشته تحصیلی خود در دانشگاه احساس محدودیت می کنند ، در حالی که تعداد زیادی منابع آنلاین در حال حاضر این مشکل را حذف کرده اند (تا حدی ، هنوز نمی توانید نمرات در رشته دانشگاهی خود را بهم بزنید ، نمی توانید).

مبانی علوم کامپیوتر و ریاضیات

اکنون بر هیچ کس پوشیده نیست که MOOC (دوره های آنلاین گسترده گسترده) مانند Coursera ، Udacity ، NPTEL ، Stanford Online & MIT Opencourseware چشم انداز آموزش را تغییر داده و دوره های مدارس فوق لیسانس را در دسترس مخاطبان گسترده تری قرار می دهد. آنها منبع اصلی یادگیری من برای موضوعات مختلف بوده اند و روش مبتنی بر تکلیف درک واضح تری از مفاهیم زیرین را تضمین می کند. من لیست دوره هایی را که توصیه می کنم به کسی که قبلاً چیزی به او آموزش نداده اند توصیه می کنم ، بنابراین با خیال راحت از دوره هایی که قبلاً با آنها آشنایی دارید صرف نظر کنید.

ریاضیات

دوره احتمال توسط دانشگاه هاروارد جبر خطی * آکادمی خان * ماهیت جبر خطی توسط 3Blue1Brown (کوتاه تر ، بصری تر) حساب دیفرانسیل * Calculus One توسط دانشگاه ایالتی اوهایو در Coursera * Essence of Calculus by 3Blue1Brown آمار توسط سباستین ترون در مورد Udacity

علوم کامپیوتر (نه برای برنامه نویسی رقابتی)

ساختارها و الگوریتم های داده * فیلم های دوره IIT دهلی (نظریه) * تخصص UC San Diego در Coursera (پیاده سازی) * InterviewBit (تمرین) سیستم عامل ها توسط UC Berkeley ریاضیات برای علوم کامپیوتر توسط MIT (برای علاقه مندان)

شروع کار با یادگیری ماشین و عمیق یادگیری < /h1>

پس از اتمام مراحل اولیه ، اکنون می توانید در دوره های خاص یادگیری ماشین و /یا یادگیری عمیق شرکت کنید. یادگیری عمیق در حال حاضر در تعداد زیادی از حوزه ها از بینایی رایانه و پردازش زبان طبیعی گرفته تا تولید هنر و اتومبیل های خودران استفاده می شود. من ابتدا دوره هایی را که به صورت آنلاین به صورت رایگان در دسترس هستند لیست می کنم و سپس پیوندهایی را به چند برنامه گران قیمت اضافه می کنم ، اما به دلیل نوع پشتیبانی که دریافت می کنید ، ارزش آن را نیز دارد.

بنیادها

یادگیری ماشین توسط دانشگاه استنفورد در Coursera و YouTube (CS 229) ، تدریس اندرو نگ. تخصص یادگیری عمیق توسط deeplearning.ai ، تدریس توسط اندرو نگ. آموزش عمیق عملی برای برنامه نویسان توسط fast.ai

دامنه خاص

یادگیری عمیق برای دید رایانه ای توسط دانشگاه استنفورد یادگیری عمیق برای زبان طبیعی پردازش توسط دانشگاه استنفورد یادگیری تقویتی توسط دیوید سیلور (UCL/DeepMind) یادگیری تقویت عمیقتوسط UC Berkeley

برنامه های پولی

مهندس اتومبیل خودران Nanodegree نانو درجه Robotics نانو درجه اتومبیل پرواز هوش مصنوعی نانو درجه

منابع آموزشی اضافی

کانال سراج راوال در YouTube (فیلم های هفتگی و چالش های کد نویسی) وبلاگ WildML کریستوفر وبلاگ Olah (بسیار مفید) وبلاگ Distill وبلاگ Andrew Trask وبلاگ تحقیقاتی Google وبلاگ OpenAI وبلاگ DeepMind کتاب یادگیری عمیق اخبار NLP- توسط سباستین رودر (http://newsletter.ruder.io/) inFERENCe- توسط فرنس هوسر (http://www.inference.vc/about/) BAIR - از UCB (http://bair.berkeley.edu/) offConvex - توسط موریز هاردت و دیگران (http://www.offconvex.org/) وبلاگ Otoro - توسط hardmaru— (http://blog.otoro.net/)

تخصص و مشاوره پروژه < /h1>

به من اعتماد کنید وقتی می گویم من در بسیاری از موارد دست خود را امتحان کرده ام ( بینایی رایانه ای ، پردازش زبان طبیعی ، تصویربرداری پزشکی ، ژنومیک) همانطور که من مجذوب هر چیزی و هر چیزی که این زمینه ارائه می دهد ، شدم. اما بزرگترین درسی که آموخته ام اهمیت تمرکز بر روی یک (دو ، حداکثر) چیز خاص است. من قبلاً به این موضوع اعتقاد نداشتم ، اما پس از انجام چندین کار ، برایم واضح است که اگر می خواهیم واقعاً به چیزی برسیم ، باید در یک کار صفر عمل کنیم و بهترین کار را انجام دهیم. قسمت سخت این است که نگذارید سر و صدا حواس شما را پرت کند. من این زمان را برای افزودن یک نقل قول که خلاصه ای از آنچه می خواهم بگویم ، اختصاص می دهم:

اکثر مردم آنچه را که می توانند در یک سال انجام دهند ، بیش از حد ارزیابی می کنند و آنچه را که در ده سال می توانند انجام دهند دست کم می گیرند. - بیل گیتس

در حال حاضر ، بهترین راه برای یادگیری چیزی ساختن چیزی است. نه تنها به شما در درک مفاهیم کمک می کند ، بلکه به رزومه شما نیز ارزش می بخشد (بیشتر در مورد ایجاد نمایه در بخش بعدی). منابع مختلفی برای دریافت پروژه ها وجود دارد و مطمئن شوید که در هر زمان یکی (حداکثر دو مورد) را انتخاب می کنید.

پروژه زیر نظر استاد: برای دانش آموزان ، این بهترین گزینه است. شما با مرور ادبیات بیانیه مشکل شروع می کنید ، که به شما طعم و مزه ای از تاریخ و پیشرفت های اخیر در حوزه مربوط می دهد. سپس ، ممکن است چیزی را که پروفسور در مورد آن فکر کرده است پیاده سازی کنید یا ممکن است چند بحث در مورد نحوه حل مشکل داشته باشید. در هر صورت ، فرصتهای یادگیری بسیار زیاد است و باید مطمئن باشید که صادقانه کار می کنید (برای کسانی که به راحتی حواسشان پرت می شود ، ایده خوبی می تواند رزرو یک مکان باشد ، مانند آزمایشگاهی که توسط استاد نظارت می شود ، جایی که روزانه به محل کار می روید). به سرانجام ، اگر پروفسور احساس کند که شما مشارکت خوبی داشته اید ، او با خوشحالی (در بیشتر موارد) به شما توصیه می کند و اعتبار اخلاق کاری شما از طرف پروفسور در حرفه حرفه ای و تحصیلی شما بسیار پیش می رود. مشارکت منبع باز: من از طرفداران بزرگ توسعه منبع باز هستم. بسیاری از چیزها در دنیای امروز ما بدون مشارکت منبع باز میلیون ها نفر در سراسر جهان وجود نداشت. من خودم یادگیری ماشین را با مشارکت در یادگیری اسکیت شروع کردم. این امر نه تنها مهارت های برنامه نویسی من را بسیار افزایش داد ، بلکه مفاهیم آموخته شده من را نیز بسیار شفاف تر کرد. همچنین ، شرکت ها برای کارهای منبع باز ارزش زیادی قائل هستند ، تقریباً در صفحه مشاغل هر شرکتپیوندی به نمایه Github شما می پرسد. به این پست و این صفحه HackerEarth نگاهی بیندازید که چگونه می توانید با مشارکت منبع باز شروع کنید. این نیز می تواند یک خواندن خوب باشد - دانش آموزان و منبع باز: 3 پیش فرض رایج. کارآموزی از راه دور: این گزینه شما است در صورتی که اولین مورد به نتیجه نرسد. وب سایت های زیادی مانند Internshala & AngelList وجود دارد (به نظر من بهترین آنها) که در آن ها قطعاً می توانید استارتاپ هایی را پیدا کنید که برای مناطق مورد علاقه خود کار از راه دور ارائه می دهند. انگیزه شما در این برهه از زمان نباید کسب درآمد باشد ، بلکه باید بیشتر بر روی یادگیری متمرکز باشد. یک نکته خوب در مورد درخواست برای استارتاپ ها این است که می توانید از بنیانگذاران خود جستجو کرده و مستقیماً (از طریق ایمیل یا LinkedIn) در مورد برنامه خود با آنها تماس بگیرید تا روند را تسریع کنید.

ایجاد نمایه ، شبکه و اهمیت

این نکته باید بسیار تأکید شود. مشخصات شما مهم است برای دانش آموزان ، درست است که در موقعیت های شما چندان اهمیتی نخواهد داشت ، اما پس از فارغ التحصیلی و تمایل به تغییر شرکت چه می شود؟ این تصور اشتباه وجود دارد که ساختن مشخصات شما فقط برای یافتن شغل است. خیلی بیشتر است شما می توانید خود را در اینترنت ، کل سابقه خود و شخصی که به عنوان یک شخص هستید قرار دهید. نمایه شما یک لایه اصالت به حضور آنلاین شما می افزاید و دسترسی افراد با شما را بسیار آسان می کند. 3 مورد وجود دارد که شما باید از آنها مراقبت کنید - LinkedIn ، نمایه های Github و وب سایت شما. مال منم همینطور. یک وب سایت شخصی از یک الگوی کلی پیروی می کند و شما می توانید برای سرفصل ها و محتوایی که باید در هر عنوان قرار داده شود به این قسمت مراجعه کنید. شبکه اجتماعی است ، اما یک شبکه اجتماعی حرفه ای است. شما این فرصت را پیدا می کنید که با افراد همفکر خود در آنجا ارتباط برقرار کنید ، ایده های خود را به اشتراک بگذارید ، برای مشاغل درخواست دهید و اساساً ، ارتباطات خود را تقویت کنید. افرادی که بیشترین فعالیت را در LinkedIn دارند دائماً محتوای ارزشمندی ایجاد می کنند و هر دقیقه صرف شده در LinkedIn مفید است (تا حدی). در هر درگاه درخواست کار ، از شما خواسته می شود که پیوند نمایه LinkedIn خود را ارائه دهید. یک USP بزرگ LinkedIn قابلیت جستجوی عالی است. شما به معنای واقعی کلمه می توانید تمام فارغ التحصیلان خود را در آنجا جستجو کنید و حتی افرادی را که در یک شرکت /موسسه کار می کنند بررسی کنید. نمایه LinkedIn شما به شما این امکان را می دهد که کل سابقه خود را مشخص کنید و آنها اخیراً شروع به مطابقت شما با مربیان احتمالی کرده اند. برای اطلاع از نکات مربوط به بهینه سازی پروفایل LinkedIn خود به اینجا مراجعه کنید.

اکثر مردم از ساختن پروفایل Github خود چشم پوشی می کنند و دلیل اصلی آن نیز عدم آگاهی است. بر اساس توصیه من برای مشارکت منبع باز ، Github به شما این فرصت را می دهد تا کار خود را نه تنها در قالب کلمات ، بلکه با کد واقعی به نمایش بگذارید. یک استخدام کننده بالقوه می تواند به جستجوی شما بپردازدمشخصات و نحوه کدگذاری خود ، تعداد دفعات کدگذاری و غیره را مشخص کنید. یک نمودار کوچک همراه با نمایه شما وجود دارد که مشارکت های شما در سال گذشته را نشان می دهد:

در حال حاضر ، مجبور نیستید شخص دیگری را که می توانید کدگذاری کنید توجیه کنید. آنها به معنای واقعی کلمه می توانند آن را ببینند. همچنین ، اغلب تصور می کنیم که دیگران همان دانش ما را دارند و می توانند به تنهایی بفهمند که چگونه کد ما کار کند. شامل مستندات مناسب برای همه کارهای شما برای ایده منبع باز مهم است. بنابراین ، اگر وقت خود را صرف برنامه نویسی می کنید ، بگذارید نمایه شما نیز این را برای شما بیان کند.

در نهایت ، موضوع شبکه بسیار کمتر از آنچه که باید صحبت می شود. باز هم ، این می تواند یک پست جداگانه داشته باشد ، اما من سعی می کنم در اینجا خلاصه کنم. شبکه به دنبال استخدام احتمالی بعدی شما نیست. این در حال ایجاد روابط واقعی با افرادی است که با آنها ارتباط برقرار می کنید. امروزه بسیاری از ما بر تفکر "چه چیزی برای من خوب است" متمرکز شده ایم و به مشخصات یک شخص بیشتر از شخص او اهمیت می دهیم. همیشه مراقب باشید تا با هر کسی و هر کسی که ملاقات می کنید (حتی به صورت مجازی) روابط ثمربخش داشته باشید. آنها نه تنها می توانند برای شما ضمانت کنند که واقعاً به کمک آنها نیاز دارید ، بلکه این در طبیعت انسان است که احساس خوشبختی و رضایت داشته باشید تا واقعاً با همسالان خود ارتباط عمیقی برقرار کنید. من در سال 2015 در استارتاپی به نام Twango (فریاد تیم اگر کسی در حال خواندن آن بود) کارآموزی کرده بودم و اگرچه کارآموزی فقط یک ماه بود ، اما پیوندی که ما با هم داشتیم تا به امروز ادامه دارد و من هنوز توصیه نامه ای برای کارم در آنجا دریافت می کنم. آن را بخواهید یک نکته کوچک: وقتی از نظر فیزیکی با افراد ملاقات می کنید یا با شخصی در LinkedIn ارتباط برقرار می کنید ، به دنبال راه هایی نباشید که طرف مقابل می تواند به شما کمک کند. در عوض ، اطمینان حاصل کنید که در صورت هرگونه کمک مورد نیاز ، به شخص اطلاع دهید که شما آنجا هستید. سرانجام ، این ویدئو وقتی اولین بار آن را دیدم واقعاً دیدگاه من را تغییر داد و من درس هایی را که از آن آموختم ، همیشه به خودم یادآوری می کنم: > روی چیزهای کمتر تمرکز کنید شبکه بیشتر (بیشتر بدهید) بیشتر همدل باشید بیشتر کمک کنید شما هم فکر نکنید خیلی وظیفه خود را انجام دهید ، بقیه در جای خود قرار می گیرند

نتیجه گیری

من سعی کرده ام تمام منابعی را که استفاده کرده ام (و برخی دیگر باید) برای یادگیری من ، همراه با برخی از درسهای اصلی که از چهار سال تحصیل در مقطع کارشناسی به دست آمده است. می دانم که این مطلب طولانی خوانده شد و اگر تا اینجا پیش رفته اید ، می خواهم از شما برای نظراتم تشکر کنم و صمیمانه امیدوارم که این بتواند کمکی برای شما باشد.

سلام!

من فکر می کنم این امکان وجود دارد که مردم عادی انتخاب کنند که فوق العاده باشند - ایلان ماسک > اگر چیزی هست که شما بخواهید با من در میان بگذارید یا به من بدهید نوعی بازخورد در مورد نوشتار/افکار من ، دوست دارم آن را از زبان شما بشنوم. با خیال راحت با من در توییتر ، LinkedIn یامن را در Github دنبال کنید برای اینکه از پست های من مطلع شوید ، من را در Medium دنبال کنید.

یادگیری

هوش مصنوعی قابل توضیح

هوش مصنوعی قابل توضیح

تفسیر مدل های یادگیری عمیق برای بینایی رایانه ای

تفسیر مدل های شبکه عصبی متحرک ساخته شده با TensorFlow

یک مدل یادگیری عمیق واقعاً چه چیزی را می بیند؟

مقدمه

هوش مصنوعی (AI) دیگر حوزه ای نیست که فقط به مقالات پژوهشی و دانشگاهی محدود شود. مشاغل و…