Точка входа в программирование
21.4K subscribers
899 photos
163 videos
1 file
2.44K links
Фундаментальные знания по основам программирования

Разместить рекламу: @tproger_sales_bot

Правила общения: https://tprg.ru/rules

Другие каналы: @tproger_channels

Сайт: https://tprg.ru/site

Регистрация в перечне РКН: https://tprg.ru/zrgj
Download Telegram
Введение в машинное обучение на курсе от «Яндекса» и ВШЭ

Если вы хотите вкатиться в machine learning (ML), то на Coursera есть бесплатный курс по основам машинного обучения. На нём рассматривают основные типы задач, решаемых с помощью ML, в том числе классификацию, регрессию и кластеризацию.

Перед изучением курса вам необходимо знать основы программирования на Python и базовые понятия из математики — функции, производные, векторы и матрицы.

Курс: https://tprg.ru/WXk3

#курсы #python #ml
Как постичь машинное обучение, если вы не великий математик

Чтобы освоить машинное обучение, нужно знать математику. Кажется сложным, но в статье вы найдёте план обучения и ссылки на интересные курсы:

https://tprg.ru/9m0H

#ml
Интервью со специалистом по машинному обучению

Если вы задумались над изучением нейронных сетей и работы с данными, то можете посмотреть интервью с инженером-исследователем из Сколтеха. Он рассказал подробно о своей профессии и поделился советами, с чего стоит начинать:

https://youtu.be/pnEqfqPue8w

#data_science #ml
Машинное обучение простым языком

Машинное обучение не является чем-то фантастическим. Его суть можно понять, если сравнить с традиционным программированием, как связаны программа, входные и выходные данные:

https://tprg.ru/U7wX

#ml
Бесплатный онлайн-учебник по машинному обучению от «Яндекса»

Школа анализа данных «Яндекса» выпустила онлайн-учебник для всех желающих, который содержит только актуальные материалы по машинному обучению:

https://ml-handbook.ru/

Пока доступно все 2 главы, но в будущем добавят остальные. Учебник поможет не только освоить различные темы машинного обучения, но и вспомнить математику.

Советуем обратить внимание на пособие, поскольку по машинному обучению и data science не так много качественных материалов на русском.

#книги #data_science #ml
Введение в PyTorch

Для машинного обучения на Python очень популярен фреймворк PyTorch. В его основе лежит структура данных тензор, которая напоминает ndarrays в NumPy и предназначена для запуска на аппаратных ускорителях.

Гайд позволит получить представление о PyTorch и его основных компонентах:

https://pythonist.ru/vvedenie-v-pytorch/

#python #ml
3 бесплатных курса по машинному обучению, которые стоит пройти прямо сейчас

В этой статье вы найдёте три бесплатных курса. Каждый из них предлагает свой собственный взгляд на машинное и глубокое обучение и содержит различные типы контента, от видео до практических упражнений по программированию, поэтому новичку стоит изучить все три:

https://apptractor.ru/learn/3-besplatnyh-kursa-po-mashinnomu-obucheniyu-kotorye-stoit-proyti-pryamo-seychas.html

#ml #курс
Как готовиться к собеседованиям на Machine Learning Engineer

80% успеха в любого собеседования зависит от подготовки. Если вы готовитесь к интервью на позицию Machine Learning Engineer, то в этой статье мы собрали вопросы по ML теории, алгоритмические задачи и просто общие советы, которые помогут успешно пройти собеседование:

https://tproger.ru/articles/kak-gotovitsja-k-sobesedovanijam-na-machine-learning-engineer/

#ml
10 первых ошибок в карьере ML-инженера

Специалист по машинному обучению (ML-engineer) — это программист, который занимается исследованием, созданием и проектированием систем ИИ. Начинающий
ML-инженер должен неплохо разбираться в математике и алгоритмах.

В этой статье собраны реальные примеры ошибок, которые чаще всего допускают программисты:

https://habr.com/ru/post/718942/

#it #ml #профессии
This media is not supported in your browser
VIEW IN TELEGRAM
Как Netflix использует ML?

Интересно, как работают алгоритмы поиска в Netflix? Каждый год компания старается улучшить данные поиска и их визуализацию для пользователей и даже тут не обошлось без подводных камней. Большая часть литературы по ML посвящена обучению моделей, оценке и подсчёту очков, а не онлайн-сервисам.

В этой статье рассматривается жизненный цикл ML: интеграция данных в приложении и как его реализуют разработчики:

https://netflixtechblog.com/building-a-media-understanding-platform-for-ml-innovations-9bef9962dcb7

#ml
Краткое введение в Машинное обучение

Прочтение этой статьи даст вам важную базу для понимания работы искусственного интеллекта, что поможет вам увереннее продвигаться в изучении ML. Кстати, она написана без сотен формул и тривиальных рассуждений, которые часто так сложны для начинающих.

#ml #ии #статья
Полезные материалы по Data Science и машинному обучению

Автор данной статьи делится полезными материалами для абсолютных новичков и более уверенных специалистов, которые помогут найти и заполнить не только теоретические, но и практические провалы.

#ml #datascience
Почему дата-сайентистам нужны ещё и графы

Графы — это абстракция, которую используют для выявления связей между сущностями: множество вершин и множество рёбер, которые их соединяют.

В настоящее время многие крупные компании переходят на графы, мотивируя это тем, что производительность таких методов выше, по сравнению с другими современными ИИ-архитектурами. А по прогнозам Gartner к 2025 году графы будут использоваться в 80% инноваций в области данных и аналитики.

Какие же задачи можно решать графами?
— составлять рекомендации (друзей, товаров, музыки и т.п.);
— выявлять мошенничество;
— строить маршруты;
— ранжировать информацию по достоверности;
— хранить взаимосвязи между сущностями.

Более подробную информацию о том, где используются графы и каким именно образом, а также подборку материалов для их изучения вы сможете найти в этой статье.

#datascience #ml #bigdata
​​Полезные материалы по Data Science и машинному обучению

Data Science - довольно сложная сфера, особенно для новичков. С чего стоит начать, на какие темы стоит обратить особое внимание, а какие лучше оставить на потом? Ответы на эти и многие другие вопросы вы сможете найти в этой ценнейшей статье. Её автор — опытный MLOps-инженер в отделе Data- и ML-продуктов Selectel.

В материале не просто даются названия книг и курсов, которые полезно было бы прочитать, но и дается понятие о том, почему это важно знать конкретно эту информацию и чем она поможет в будущем.

#ml #bigdata
Forwarded from Нейроканал
Все перечисленные библиотеки имеют открытый исходный код и предназначены в основном для питонистов.
 
Анализ, очистка и подготовка данных:
  Pandas — быстрая и гибкая очистка и подготовка данных.
  Numpy — предварительная обработка данных, применяется для математических вычислений.
  Statsmodels — статистический анализ временных рядов, выживаемости и многого другого.
  YData Profiling — упрощает этап EDA, тщательно анализируя ваши данные в одной строке кода.
 
Машинное и глубокое обучение:
  Scikit-learn — ключевая библиотека машинного обучения, содержит реализацию популярных алгоритмов (регрессия, кластеризация).
  Keras — создание, настройка моделей, работает поверх таких фреймворков, как TensorFlow.
  TensorFlow — создание, моделирование и тренировка нейросетей.
  XGBoost — предоставляет эффективные алгоритмы для задач регрессии, классификации и ранжирования.
  CatBoost — градиентный бустинг.
 
#библиотеки #ml #deeplearning #python
​​Что почитать: «Как учится машина. Революция в области нейронных сетей и глубокого обучения» Яна Лекуна

Знаменитый учёный в области нейросетей — Ян Лекун стоит у истоков современной технической революции.

В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы. 

Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.

#книги #ml #bigdata
​​Как работает обучение без учителя

В обучении с учителем для каждой обучающей ситуации, алгоритму дается понимание, какой ответ с нашей точки зрения тут правильный.
В обучении без учителя для каждой конкретной ситуации такого ответа алгоритму не дается. Алгоритм сам должен научиться решать, как ему поступать в каждом конкретном случае, исходя из конечной оценки совокупности всех его действий.

В этом материале на примерах вы сможете разобраться, какие задачи можно решить с помощью этих методов, какими алгоритмами и есть ли у них недостатки.

#bigdata #ml #datascience