Подборка материалов для изучения машинного обучения

Машинное обучение сейчас является одной из самых востребованных областей в программировании. И действительно — человек издавна мечтал создать ИИ, и сейчас эта мечта близка как никогда. Алгоритмы машинного обучения могут выполнять задачи, которые раньше казались недоступными компьютерам: классификация предметов по их признакам, предсказание определенных событий, даже создание произведений искусства! Мы подготовили для вас подборку материалов, с помощью которых вы сможете освоиться в этой сложной, но невероятно интересной теме.


Введение в машинное обучение от Вашингтонского университета

Во время прохождения курса вы научитесь анализировать большие и сложные наборы данных, создавать приложения, которые смогут строить прогнозы, основываясь на полученных данных, а также создавать системы, которые смогут адаптироваться и совершенствоваться. В финальном проекте вам придется применить полученные навыки в создании оригинального проекта, который будет решать насущные проблемы.


Практическое применение машинного обучения с помощью Python от Мичиганского университета

После прохождения курса вы поймете, чем отличается обучение с учителем от обучения без учителя, научитесь определять, какие технологии использовать для определенных наборов данных, научитесь использовать эти технологии на практике и писать код на Python для решения поставленных задач.


Курс по машинному обучению от Стэнфордского университета

Курс дает широкое введение в машинное обучение, data mining и статистические методы распознавания образов и охватывает следующие темы:

  • Обучение с учителем (параметрические/непараметрические алгоритмы, метод опорных векторов, функции ядра, нейронные сети).
  • Обучение без учителя (кластерный анализ, сокращение размерности данных, рекомендательные системы, глубокое обучение).
  • Лучшие алгоритмы машинного обучения (компромисс смещения-дисперсии, инновационные тенденции в машинном обучении и искусственном интеллекте).

Курс также включает многочисленные примеры, что позволит вам научиться применять алгоритмы машинного обучения на практике, например, в проектировании роботов (восприятие, контроль), анализе текстов (онлайн поиск, анти-спам), компьютерном зрении, медицинских информационных системах, обработке аудио, интеллектуальном анализе баз данных и других областях.


20 видеолекций по машинному обучению от Стэнфордского университета

Если формат онлайн-курсов вам не по душе, то вы можете посмотреть записи лекций, которые читались на курсе «Машинное обучение» (CS 229).


Курс по применению нейронных сетей в машинном обучении от Торонтского университета

В этом курсе вы узнаете, что такое нейронные сети и как они применяются в машинном обучении, каким образом нейронные сети используются при распознавании речи и объектов, сегментации изображений, моделировании языков и человеческих эмоций.

Курс содержит как и базовые алгоритмы, так и практическую часть.


7 шагов к освоению машинного обучения с помощью Python

Если вы новичок в машинном обучении и совсем не знаете, с чего начать, то эта статья для вас. Она представляет из себя план действий, созданный, чтобы помочь новичкам разобраться в машинном обучении. На каждом шаге вам будут предоставлены бесплатные материалы для дальнейшего изучения.


10 обучающих видео по нейронным сетям

Если проходить курсы у вас времени нет, но вам очень хочется разобраться в том, что такое нейронные сети и как они работают, то рекомендуем вам посмотреть 10 обучающих видео, посвященных нейронным сетям. Из них вы узнаете, что такое искусственный нейрон, как устроены нейронные сети, какие существуют нюансы в работе с нейронными сетями и как их обучать.


Все, что вам нужно знать о машинном обучении, за 13 минут

Facebook выпустила шесть коротких видео, призванных помочь разработчикам, ученым и простым людям разобраться в наиболее важных аспектах искусственного интеллекта.


Нейронная сеть за 13 строк кода

Если вы закончили разбираться с нейронными сетями, то можете попрактиковаться и написать свою нейронную сеть на Python за 13 строчек кода.

Александр Курилкин, постоянный автор