Les approches d'apprentissage peuvent être divisées en principes «comment enseigner» et directement «quoi enseigner». Même avec un bon programme («ce qu'il faut apprendre»), vous pouvez vous retrouver avec peu d'épuisement si vous apprenez de manière inefficace. Par conséquent, vous devez d'abord déterminer quels principes sont efficaces.
Je ne cite que les principes que j'utilise moi-même, allant de l'évidence à ceux que beaucoup connaissent mais n'utilisent pas dans l'auto-éducation, bien qu'ils ne soient pas moins universels. En général, ce sont des principes très généraux d'apprentissage de quelque chose, que j'ai légèrement adaptés aux spécificités de l'apprentissage automatique, et indiqué des exemples spécifiques.
Ces principes m'ont aidé à passer relativement rapidement du 1C à un data scientist et en deux ans à passer au niveau d'un signataire, en termes de salaire et d'autonomie (lien vers l'article précédent à ce sujet)
Vous devez comprendre l'essence, les principes et les concepts, l'intuition. N'essaye pas de te souvenir
"Connaître certains principes élimine le besoin de connaître de nombreux faits"
"Voici à la racine" (Kozma Prutkov)
À l'école et au collège, beaucoup ont été victimes d'approches lorsqu'il était important d'apprendre quelque chose par cœur ou de connaître certains détails sans importance. Je me souviens à quel point j'étais étonné que bon nombre des meilleurs professeurs américains qui enseignent des cours sur coursera.org essaient d'abord d'expliquer l'intuition de différentes approches, y compris des approches complètement mathématiques, au lieu de montrer les formules. En pratique, vous n'aurez souvent pas besoin de connaître les formules exactes (ou vous aurez le temps de vous en souvenir). Mais pour prendre les bonnes décisions, vous devez garder fermement à l'esprit les principes et la logique qui sous-tendent les différentes approches.
Par conséquent, lorsque vous étudiez les mathématiques, les principes de différents algorithmes, ou même des formules individuelles, il est important de se concentrer sur la compréhension des éléments et principes de base de ces formules, et non sur leur mémorisation.
(Andrew Ng), , , . , ( ).
, :
, - ,
( )
-
"" -
. , , ,
, :
(log-odds), ,
log-likelihood: log? ,
. , ,
" - 10% 90% ". .
, . - . .
, , - , , - , .
:
: 2-3 . , . : . - -
: -. , , Python -, http://pythontutor.ru/
: - : -, - , , - : " , ?". - ! , , / - , . ( , , , ).
2-3 . .
: ,
, , . , - - .
, . , , , . , . , , . .
, :
machine learning data science , , . , / . ( .).
, , , . . (, )
, , , . /, , . " " - , , ( ), .
3- , /, : , , , .
" ", , , , . , Andrej Karpathy, Tesla, - , .
:
, ; , ; , , .
.
- , .
, - , ! , .
- . .
", : — , — !" (.).
- . , . : , " ", .. , . . , , .. , (: Andrej Karpathy ).
- ( ), , . . , , , , . , ( ).
:
" . . . , . - . . , .
. . , , , …"
- Explore/exploit trade-off.
, , :
- . - - , , . - , , (, , ). : (explore) , (exploit). , , : - , , .
, , . , , , - - - (, ).
, - , . :
, / . , / , , - . . , , , - , . , , , , (!), , , , , , , - ..
, , .
. . , , . , - . , ? . , udemy.com coursera.org. : , - . /. , , , " ".
, / 20% . , , .
- : !
, .
, , , . . (!) , .
data science, . , , / . , " ": " -, ".
. , . , .
, , anki ankidroid . , . , ankidroid bash. , , , . .
. , , data science, . ( .. ).
.
, ( 2 ) , , .
: , .
Peut-être que nous parlerons au téléphone une fois et ce sera suffisant pour vous. Mais je suis ici pour aider à remplacer les programmes de cours payants en vous fournissant un programme personnalisé et en parlant des meilleurs livres et cours en ligne et comment les trouver gratuitement. Autrement dit, vous pouvez apprendre non seulement plus efficacement, mais aussi moins cher. Votre promesse me suffit que lorsque vous ressentirez le résultat, vous le paierez comme bon vous semble.
self.development.mentor dans le domaine gmail.com, Oleg