16 Optionen für den Einstieg und Fortschritte beim maschinellen Lernen
Sie möchten maschinelles Lernen oder Datenwissenschaft erlernen.
Vielleicht möchten Sie einen Job oder die Möglichkeit, einen Job im Bereich maschinelles Lernen oder Datenwissenschaft zu bekommen. Alternativ könnten Sie Student oder in einer Datenfunktion tätig sein und Ihr Lernen in diesem Bereich beschleunigen möchten.
Wenn Sie der Meinung sind, dass Ihre einzige Option darin besteht, einen Doktortitel zu erwerben oder ein wissenschaftliches Lehrbuch zu lesen, denken Sie noch einmal darüber nach. Dieser Beitrag ist für Sie.
Sie haben viele Möglichkeiten, wenn es um Schulungs- und Lehrmaterial geht. So viele, dass Sie sich die Zeit nehmen sollten, eine kurze Liste einiger Optionen erstellen und sogar einige ausprobieren sollten, bevor Sie sich niederlassen.
In diesem Beitrag erfahren Sie, wie viele Optionen Ihnen zur Verfügung stehen, und Sie erhalten genügend Informationen, um eine (oder zwei) Richtungen auszuwählen und den nächsten Schritt auf Ihrer Reise zu gehen.
Wo Sie hinpassen, machen Sie sich bereit
Sie suchen eine Ausbildung im Bereich Machine Learning oder Data Science.
Möglicherweise haben Sie bestimmte Themenbereiche, in denen Sie sich verbessern oder mehr über diese erfahren möchten. Was sind sie? Mach sie runter.
Möglicherweise bevorzugen Sie einen bestimmten Lernstil, z. B. Präsenzunterricht, Audio-, Video- oder Text-Tutorials. Was sind Ihre Vorlieben? Schreiben Sie sie auf.
Sie haben einen bestimmten Grund, warum Sie maschinelles Lernen oder Datenwissenschaft erlernen möchten. Es kann, wie oben beschrieben, ein Wunsch oder eine Gelegenheit für einen Job sein, der Wunsch, mehr oder schneller für eine bestehende Rolle zu lernen, oder ein allgemeines Interesse und eine Gelegenheit. Was ist Ihr einziger Grund? Schreiben Sie es auf.
Notieren Sie alle drei Punkte, wenn Sie möchten, in einem Kommentar. Du bist nicht allein.
Kurze Liste der Schulungsoptionen für maschinelles Lernen
Lassen Sie uns nicht herumtanzen, hier finden Sie eine kurze Liste Ihrer Möglichkeiten, mit dem maschinellen Lernen anzufangen und Fortschritte zu erzielen.
Universitätsabschluss
- PhD-Abschluss (Forschung)
- Master-Abschluss (durch Forschung)
- Master-Abschluss (nach Studienleistungen)
- Bachelor-Abschluss
Persönlicher Kurs
- Schulungen und Workshops
Online-Kurs
- MOOC
Bücher
- Akademisch (Lehrbücher)
Kostenlose Online-Inhalte
- Akademisch (Aufsätze, Blogs)
Sie können sehen, dass es am Anfang der Liste viele betreute und strukturierte akademische Optionen gibt und dass sich das Ende der Liste auf weniger strukturierte Optionen für das Selbststudium konzentriert. Eine andere Achse, die Sie in Betracht ziehen könnten und die weniger geschichtet ist, ist die akademische versus industrielle Ausrichtung der Materialien.
Ich habe eine Weile über diese Äxte nachgedacht, ich denke, sie sind ein nützliches Hilfsmittel. Ich habe jeder Option auf dieser Achse von „Beaufsichtigt“ zu „Unbeaufsichtigt“ (Selbststudium) und „Akademisch“ zu „Industriell“ Punkte zugewiesen und ein kleines Streudiagramm erstellt. Es handelt sich nicht um eine perfekte Aufschlüsselung, der Stoff kann im Selbststudium, ohne Aufsicht, aber dennoch stark strukturiert sein. Ein Doktortitel ist hochgradig akademisch, wird aber im Allgemeinen viel weniger betreut als die meisten anderen Abschlüsse (zumindest im australisch-britischen System, nach dem ich studiert habe). Die Dichotomie „überwacht/unüberwacht“ erfasst nicht genug, ist aber ein Ausgangspunkt.
Lassen Sie mich in den Kommentaren wissen, ob das geholfen hat.
Wir werden den Rest des Beitrags damit verbringen, uns nacheinander mit den einzelnen Angeboten zu befassen, was sie bieten, für wen sie geeignet sind und konkrete Beispiele, mit denen Sie weitermachen können.
Universitätsabschluss
Ein Hochschulabschluss bietet eine stark strukturierte, meist wissenschaftliche, meist theoretische Einführung in ein Thema. Sie wissen wahrscheinlich, was ein Abschluss ist.
Bachelor-Abschlüsse und einige Master-Studiengänge sind studienbegleitend, und auch US-amerikanische Ph.D.-Studiengänge verfügen über ein studienbegleitendes Element. Einige Honours-, Master- und PhD-Programme haben eine Forschungskomponente, und zwar umso mehr, je tiefer man in das System einsteigt.
Tolle Kursthemen sind stark strukturiert und von einem Experten auf diesem Gebiet entworfen, um Ihnen den besten Einstieg in die Materie zu bieten. Großartige Forschungsprogramme vermitteln Ihnen eine Ausbildung in wissenschaftlichen Methoden und Forschungsmethoden.
Abschlüsse sind außerdem teuer, dauern lange, sind für den Durchschnittsstudenten konzipiert und vermitteln ältere, sogar veraltete Informationen.
Ein Studium kann der richtige Schritt sein, wenn Sie viel Zeit und Geld haben und keine Lust haben, Ihre Studienprogramme selbst zu gestalten.
- PhD-Abschluss (Forschung): Treten Sie einem Forschungslabor bei und studieren Sie ein Fach, das in das übergreifende Studienprogramm passt. Ihre Arbeit wird hochakademisch und spezialisiert sein und Sie werden an Ihrem formalen Arbeitsergebnis in Form von Arbeiten gemessen. Werfen Sie zum Beispiel einen Blick auf die PhD-Programme im Bereich Maschinelles Lernen an der CMU.
- Master-Abschluss (durch Forschung): Wie ein kleineres PhD-Programm, aber Sie werden ermutigt, einen kleineren Teil abzuschneiden, z. B. bestehende Ergebnisse zu reproduzieren.
- Master-Abschluss (durch Studienleistungen): Fortgeschritteneres Material als Bachelor-Studiengänge und manchmal mit der Industrie verknüpft. Master-Studiengänge ermöglichen es Ihnen, tiefer in ein Thema einzutauchen, und Sie werden wahrscheinlich Masterstudiengänge finden, die sich auf maschinelles Lernen und verwandte Bereiche spezialisiert haben. Werfen Sie zum Beispiel einen Blick auf den Masterstudiengang „Machine Learning“ an der CMU, den Masterstudiengang „Machine Learning“ an der University Collage London und den Masterstudiengang „Data Science“ in Berkeley.
- Bachelor-Abschluss: Grundabschluss für einen Überblick und eine Einführung in ein Fach. Es ist unwahrscheinlich, dass Sie einen Bachelor-Abschluss in maschinellem Lernen finden. In den meisten Fällen handelt es sich bei maschinellem Lernen um ein Fach oder eine Reihe von Fächern (gebündelt mit künstlicher Intelligenz), die in den späteren Jahren eines Bachelor-Studiengangs angeboten werden. Werfen Sie zum Beispiel einen Blick auf den Studiengang „Maschinelles Lernen“ im CS-Abschluss an der Columbia, im Nebenfach „Maschinelles Lernen“ an der CMU und im Studiengang „Statistik und Maschinelles Lernen“ an der Princeton.
Ich bin kein Experte für die Studiengänge, die im ganzen Land oder auf der ganzen Welt angeboten werden, aber es stehen viele Informationen zur Verfügung. Schauen Sie sich zum Beispiel diese umfassende Liste von Masterstudiengängen in maschinellem Lernen und Datenwissenschaft an.
Der Grad ist der Ausgangspunkt, nicht der Endpunkt. Es ist ein langsames Einbrennen in ein Thema, das Sie an einen Punkt bringt, an dem Sie bereit sind, mit dem Üben zu beginnen. Es ist auch der einzige Zeitpunkt, an dem Sie die Zeit haben, sich eingehend mit einem Thema zu befassen, ohne dass Sie sonst Verantwortung übernehmen.
Manche Leute, die um Rat fragen, glauben (zutiefst), dass sie nicht in das maschinelle Lernen einsteigen können, ohne ein paar Jahre lang wieder an die Universität zu gehen und einen formellen Abschluss zu machen.
Sie benötigen keinen Abschluss, um maschinelles Lernen zu erlernen und zu üben. Tatsächlich benötigen Sie keinen Abschluss, wenn Sie sich mit der Forschung im Bereich maschinelles Lernen befassen möchten.
Präsenzkurse
Es gibt Optionen, die nicht annähernd so langwierig und teuer sind wie Studiengänge, aber eine stark strukturierte Präsenzausbildung bieten und eher branchenorientiert als akademisch ausgerichtet sind.
Zu den Optionen gehören kurze Schulungen und Bootcamps.
Schulungen und Workshops
Sie können an einer kurzen Schulung zu einem bestimmten Thema des maschinellen Lernens teilnehmen. Der Kurs ist stark auf eine bestimmte Technik oder ein bestimmtes Werkzeug ausgerichtet.
IT-Schulungsunternehmen gibt es schon immer und sie bieten Schulungen zu bestimmten Themen der Datenwissenschaft und des maschinellen Lernens an.
Es gibt auch neue Unternehmen, die nur auf diese Art der Ausbildung abzielen. Persontyle ist beispielsweise ein Beispielunternehmen, das eine große Auswahl an Kurzkursen (1, 2, 3 und 5 Tage) zu bestimmten Kursen wie Hadoop für Datenwissenschaftler und Einführung in die Datenwissenschaft mit R anbietet.
Schließlich bieten Universitäten möglicherweise kurze Schulungskurse für die Industrie an, örtliche Treffengruppen bieten häufig Schulungen an und auf akademischen Konferenzen finden häufig Workshops zu modernen Methoden statt, die für Industrie- und Doktoranden konzipiert sind.
Bootcamps
Ein beliebter Ansatz sind Bootcamps zu Datenwissenschaft und maschinellem Lernen. Hierbei handelt es sich um 6- bis 12-wöchige Programme, an denen Fachkräfte persönlich teilnehmen und praktische Fertigkeiten erlernen. Oft gibt es am Ende des Programms einen Einstellungstag, um Arbeitgeber und Kursteilnehmer zusammenzubringen.
Ein beliebtes Beispiel ist die Zipfian Academy, die ein 12-wöchiges Vollzeitprogramm in Datenwissenschaft mit Modulen, Abschlussprojekt und Einstellungstag anbietet. Die Preise liegen im Bereich von 16.000 US-Dollar.
Dies ist ein beliebtes Gebiet und es gibt eine Reihe von Konkurrenten:
- Amp-Camp
- Dateninkubator
- Generalversammlung
- Insight Data Science
- Data Science Bootcamp
Eine gute Zusammenfassung der Bootcamp-Programme für maschinelles Lernen und Data Science finden Sie im Beitrag „Data Science Bootcamp-Programme – Vollzeit, Teilzeit und Online“ von Ikechukwu Okonkwo.
Online-Kurse
Die Bildung für den Rest Ihres Lebens wird auf Selbststudium und Mentoring basieren.
Es gibt viele Selbstlernprogramme und einige wie MOOCs sind auch stark strukturiert. Die meisten, wie MOOCs, basieren auf universitärem Fachmaterial und sind daher im Allgemeinen eher akademisch ausgerichtet.
Massiver offener Online-Kurs (MOOC)
Angesichts des Erfolgs des Stanford Machine Learning MOOC, mit dem Coursera ins Leben gerufen wurde, ist dies immer noch eine sehr beliebte Methode für den Einstieg in das maschinelle Lernen.
Die Kurse dauern oft 10–12 Wochen und erfordern viele Stunden pro Woche. Viele sind kostenlos oder werden gegen eine geringe Gebühr angeboten. Sie sind weniger branchenorientiert und akademischer als Bootcamps, bieten jedoch Schulungen an, die bisher nur im Rahmen eines Universitätsabsolventenprogramms zugänglich waren. Dazu gehören häufig Vorlesungsvideos, Hausaufgaben, Aufgaben und ein Community-Formular, um den Stoff mit Kommilitonen zu diskutieren.
Die Kurse finden im Stapelbetrieb statt, um sicherzustellen, dass eine Kohorte auf ihrem Weg durch das Programm Unterstützung in Form von Klassenkameraden erhält.
Beliebte Beispiele von Coursera sind:
- Stanford Maschinelles Lernen
- John Hopkins Datenwissenschaft
- UoW Maschinelles Lernen
Ein beliebter MOOC von edX ist „Learning From Data“.
Kostenpflichtige Kurse
Einige MOOC-Kurse sind kostenpflichtig (wie der John Hopkins Data Science MOOC). Es sind auch kostenpflichtige Kurse mit kürzerer Dauer verfügbar. Einige sind aus Universitätsfächern (wie diese MIT-Kurse) und Workshops hervorgegangen, andere sind völlig eigenständig.
Udacity bietet eine Reihe kostenpflichtiger Kurse an, darunter:
- Einführung in Data Science, 8 Wochen
- Maschinelles Lernen: Überwachtes Lernen, Georgia Tech, 8 Wochen
- Maschinelles Lernen: Reinforcement Learning, Georgia Tech, 4 Wochen
- Maschinelles Lernen: Unüberwachtes Lernen, Georgia Tech, 4 Wochen
Udemy ist ein weiteres Unternehmen, das kostenpflichtige Kurse anbietet. Ich habe deren Angebote bereits in einem Beitrag „Kurse für maschinelles Lernen auf Udemy“ behandelt. Zwei Highlights sind:
- Hilary Mason: Fortgeschrittenes maschinelles Lernen
- Hilary Mason: Eine Einführung in maschinelles Lernen mit Webdaten
Linda bietet auch viele kurze Videos zu maschinellem Lernen und Datenwissenschaft an. Wenn Sie ein Linda-Konto haben, sehen Sie sich beispielsweise die Playlist mit dem Titel „Data Science Basics“ an.
Variationen von MOOCs
Es gibt auch Variationen von MOOCs.
Sie können beispielsweise kostenlosen Zugang zu den Kursmaterialien für Bachelor- und Masterstudiengänge im Bereich maschinelles Lernen erhalten und den Kurs selbst studieren. Einige bieten auch Vorlesungsvideos an.
Einige großartige Beispiele sind:
- MIT 15.075 Statistisches Denken und Datenanalyse
- Stanford CS229 Maschinelles Lernen
- Stanford Statistics 315a Moderne angewandte Statistik: Elemente des statistischen Lernens
- Caltech lernt aus Daten
Es gibt auch Lehrpläne für offene Datenwissenschaft und maschinelles Lernen, die Sie studieren können.
- Lernen Sie Data Science, von Nitin Borwankar
- Der Open Source Data Science Master von Clare Corthell
Bücher
Es gibt viele tolle Bücher über maschinelles Lernen und Datenwissenschaft, aber Sie lesen wahrscheinlich die falschen Bücher. Dies kann Sie aus der Bahn werfen und Ihre Motivation zerstören.
Ich unterteile die Bücher gerne in drei Kategorien: akademisch, beruflich, praktisch.
Akademische Bücher
Dies sind die Lehrbücher, die in Graduierten- und Bachelor-Studiengängen verwendet werden.
Sie möchten diese Bücher erst lesen, wenn Sie dazu bereit sind. Bis Sie eine Weile geübt haben, sollten Sie mit einigen Algorithmen und Werkzeugen vertraut sein und sich tiefer damit befassen, warum die Algorithmen funktionieren und nicht wie.
Springer-Bücher fallen mir sofort ein, aber es gibt auch viele andere Verlage wie The MIT Press, Cambridge University Press und mehr.
Beispiele für gute Lehrbücher sind:
- Maschinelles Lernen: Die Kunst und Wissenschaft von Algorithmen, die Daten verstehen
- Maschinelles Lernen: Eine probabilistische Perspektive
- Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage
- Mustererkennung und maschinelles Lernen
Lehrbücher sind akademisch und erfordern Disziplin beim Lesen, beim Machen von Notizen, beim Durchführen der Übungen und beim Eintauchen in die Referenzen. Die Arbeit liegt ganz bei Ihnen. Lehrbücher eignen sich bei Bedarf am besten als Nachschlagewerk zu ausgewählten Themen.
Professionelle Bücher
Dies sind die Bücher, die Sie lesen, wenn Sie Softwareentwickler oder praktizierender Datenwissenschaftler sind und Ihrer Arbeit mehr Struktur verleihen oder sich in einem bestimmten Bereich verbessern möchten.
Ich denke an O’Reilly als Verleger in diesem Bereich, der sich sehr optimistisch in Bezug auf „Daten“-Bücher zu Datenwissenschaft und maschinellem Lernen geäußert hat.
Zu den beliebten professionellen O’Reilly-Büchern gehören:
- Maschinelles Lernen für Hacker
- Doing Data Science: Klartext von der Front
- Mining des Social Web: Data Mining von Facebook, Twitter, LinkedIn, Google+, GitHub und mehr
- Kollektive Intelligenz programmieren: Intelligente Web 2.0-Anwendungen erstellen
- Agile Data Science: Datenanalyseanwendungen mit Hadoop erstellen
- Durchdachtes maschinelles Lernen: Ein testgetriebener Ansatz
Ganz zu schweigen von den technologiespezifischen Büchern über Hadoop, R, Python und Co.
O’Reilly verfügt auch über Whitepapers und Berichte, die wie erweiterte Versionen von Blogbeiträgen aussehen. Ich habe ein paar gelesen und sie sind mittelmäßig. Einige Beispiele sind:
- Praktisches maschinelles Lernen: Innovationen in der Empfehlung
- Praktisches maschinelles Lernen: Ein neuer Blick auf die Anomalieerkennung
- Disruptive Möglichkeiten: Wie Big Data alles verändert
- Echtzeit-Big-Data-Analyse: Neue Architektur
O’Reilly veranstaltet auch eine Konferenz zum Thema Daten mit dem Namen Strata. Sie sehen, was ich meine, wenn ich bullisch sage. Daten sind die Informationen im Inneren und Tim O’Reilly hat „Daten“ zu einem Tagesordnungspunkt gemacht.
Auch Springer stößt mit zwei großartigen Büchern in diesen Bereich vor:
- Angewandte Vorhersagemodellierung
- Eine Einführung in das statistische Lernen: mit Anwendungen in R
Ich liebe diese beiden Bücher, weil sie etwas akademischer sind als die O’Reilly-Bücher, aber um einiges zugänglicher als die Lehrbücher von Springer in diesem Bereich.
Ich habe in diesem Camp auch Data Mining: Praktische Tools und Techniken für maschinelles Lernen und maschinelles Lernen in die Praxis umgesetzt.
Praktische Bücher
Dabei handelt es sich um Bücher, bei denen es sich um Tutorials und Rezepte handelt. Einige der O’Reilly-Bücher fallen in diesen Bereich, beispielsweise ihre Kochbücher und Kurzfassungsbücher.
Ich denke in diesem Bereich an Packt Publishing. Die Bücher sind im Allgemeinen nicht so vollständig wie die oben aufgeführten Bücher, konzentrieren sich jedoch auf die Vorgehensweise bei bestimmten Aufgaben.
Einige beliebte Beispiele sind:
- Maschinelles Lernen mit R
- Social Media Mining mit R
- Aufbau maschineller Lernsysteme mit Python
- Scikit-Learn lernen: Maschinelles Lernen in Python
- Erstellen probabilistischer grafischer Modelle mit Python
- Praktisches Data Science-Kochbuch
Sehr umsetzbar, branchenorientiert und im Allgemeinen günstiger.
Ich liebe Bücher und lese viel. Schauen Sie sich einige meiner Beiträge zu praktischen Büchern an:
- Bücher für maschinelles Lernen mit R
- Bücher zum maschinellen Lernen von Python
- 6 praktische Bücher für den Einstieg in maschinelles Lernen
- Rückblick auf angewandte prädiktive Modellierung
Kostenlose Online-Inhalte
Es gibt viele kostenlose Inhalte. Manches davon ist erstaunlich, und vieles davon ist Schrott.
Der Inhalt ist im Allgemeinen unstrukturiert oder innerhalb des Inhalts strukturiert, es gibt jedoch keinen zusammenhängenden Gesamtplan, der die Inhalte miteinander verknüpft. Kein Studienplan. Sie müssen Ihren eigenen Studienplan erstellen.
Mit diesen Inhalten können Sie lernen, was Sie wollen, wann Sie wollen. Blog-Beiträge sind in der Regel zu kurz, um tief in ein Thema einzutauchen. Oft muss man in ein Buch oder einen Kurs einsteigen, um in die Tiefe zu gelangen.
Ich denke an kostenlose Inhalte in zwei Klassen: akademisches Material wie Aufsätze und professionelle Materialien wie Blogbeiträge und YouTube.
Akademische Materialien
Zu den akademischen Materialien gehören Aufsätze, Artikel, technische Berichte und Abschlussarbeiten. Es liegt an Ihnen, das zu extrahieren, wonach Sie suchen, beispielsweise die Details eines unbekannten Algorithmus oder Ideen zum Feature-Engineering für einen bestimmten Datentyp.
Google Scholar ist Ihr Freund bei der Suche nach Aufsätzen.
Es gibt einige wissenschaftliche Blogs und auch diese fallen in diese Kategorie.
Der Google-Forschungsblog passt in diesen Bereich, der Blog von Alexander Smola, der Blog von Mark Reid und Wissenschaftler, die in der Industrie etwas bewegen, wie der Blog von John Langford und viele, viele andere
Professionelle Materialien
Professionelle Materialien werden von denjenigen erstellt, die maschinelles Lernen erlernen oder praktizieren. Dies können Studenten, Programmierer oder Datenwissenschaftler sein. Sie erstellen möglicherweise Materialien zum Unterrichten, zum Teilen oder zum besseren Verständnis des Materials.
Dazu passen auch YouTube-Kanäle und es gibt einige hervorragende (und wir beschränken uns nicht nur auf Universitätsvorlesungen)
Der Mathematical Monk hat einen großartigen Kanal zum Thema maschinelles Lernen. Sie können viel aus den aufgezeichneten Vorträgen von Branchenkonferenzen und Meetups wie Pycon 2014 herausholen (suchen Sie nach Videos zum Thema maschinelles Lernen). Google Tech Talks sind großartig (suchen Sie auch hier nach Themen zum maschinellen Lernen). In den Videos von O’Reilly Strata können Sie viele Neuigkeiten aus der Branche erfahren, beispielsweise die vom Treffen 2014.
Werkzeuge und Bibliotheken
Ich trenne Tools und Bibliotheken heraus, weil sie ein wichtiger Bereich der maschinellen Lernausbildung sind. Sie sind die Mittel, mit denen Sie handeln und üben.
Zu den Tools gibt es Bücher, Blogs und Videos, mit etwas Glück auch Tutorials und Dokumentationen.
Ein wichtiger Bereich besteht darin, die Landschaft der Ihnen zur Verfügung stehenden Tools und Bibliotheken zu studieren und sich eingehend mit konkreten Beispielen zu befassen.
Im Allgemeinen handelt es sich dabei eher um ein rein industrielles als um ein akademisches und reines Selbststudium. Es gibt nur sehr wenige Kurse, in denen Sie lernen, wie Sie Tools und Bibliotheken optimal nutzen.
Zu den Tools, über die ich oft viel lernen kann, je nachdem, wo Sie sich auf Ihrer Reise befinden, gehören:
- Weka
- Scikit-Lernen in Python
- R
Es gibt Beispiele für Big-Data-Infrastrukturen, die Sie kennenlernen können, sowie Nischentools für bestimmte Bereiche und Techniken.
Es stehen viele Tools und Bibliotheken zur Verfügung und es gibt viel Raum, um weit und tief zu gehen.
Wettbewerbe für maschinelles Lernen
Am Rande gibt es Wettbewerbe für maschinelles Lernen.
Diese erfordern ein gewisses Maß an Kenntnissen in einem Tool, der Datenverarbeitung und der Verwendung von Algorithmen, bevor Sie beginnen können, und erstklassiges Fachwissen, um erfolgreich zu sein.
Was die Beratung angeht, sind Sie auf sich allein gestellt, aber es gibt eine Gemeinschaft und großartige Möglichkeiten, modernste Algorithmen und Praktiken in einem wettbewerbsorientierten Umfeld zu erlernen.
Die Fähigkeiten, die Sie erlernen, sind in der Industrie anwendbar, aber reale Probleme erfordern mehr von Ihnen. Dieser Lernbereich ist nicht jedermanns Sache, bietet aber denjenigen, für die er geeignet ist, einiges.
Wettbewerbe finden häufig in Verbindung mit akademischen Konferenzen statt und werden mittlerweile häufiger von Unternehmen wie Kaggle und TunedIt ausgerichtet. Die jüngste Popularität hat dazu geführt, dass immer mehr Unternehmen ihre Daten für Wettbewerbe öffnen, sodass der Zugriff auf vielfältige und interessante Industriedatensätze mittlerweile selbstverständlich ist.
Zusammenfassung
Wir haben in diesem Beitrag viele Themen behandelt und Sie haben herausgefunden, dass Ihnen viel mehr Optionen zur Verfügung stehen, als Sie wahrscheinlich zunächst denken.
Ich möchte, dass Kommentare wie „Ich brauche einen Abschluss“ und „Es gibt keine guten Ressourcen“ verschwinden. Noch nie gab es mehr Möglichkeiten und mehr Ressourcen, um mit maschinellem Lernen zu beginnen und es zu praktizieren, sowohl auf akademischer als auch auf industrieller Ebene, sowohl in einer stark strukturierten und betreuten Umgebung als auch im Selbststudium.
Was wirst du studieren? Hinterlassen Sie einen Kommentar.