Machine Learning Roadmap
1.0.0
Hello there. I am Shanmukha Sainath, working as AI Engineer at KLA Corporation. I have done my Bachelors from Department of Electronics and Electrical Communication Engineering department, IIT Kharagpur.
Die Internet -Welt ist riesig, um neue Dinge zu lernen. Es gibt zahlreiche kostenlose und bezahlte Ressourcen, um maschinelles Lernen zu lernen. Viele Optionen in der Hand zu haben und es ist schwierig, das beste auszuwählen (aus Erfahrung). Ich habe also die besten Ressourcen gesammelt, um mit maschinellem Lernen zu beginnen und die Karriere in diesem Bereich fortzusetzen.
Feedback und Vorschläge sind willkommen :)
18.06 linearer Algebra -Kurs vom MIT ist der beste Kurs, um die Grundlagen der linearen Algebra zu lernen
Der Matrizenkurs der Khan Academy ist der beste Kurs, um die Grundlagen der Matrixalgebra zu lernen
Der Statistik- und Wahrscheinlichkeitskurs der Khan Academy ist der beste verfügbare Kurs.
Differentialkalkül ist der beste Kurs, um Grundlagen des Differentialkalkuls zu lernen.
6.006 Intoderation zu Algorithmen ist der Kurs von MIT, um Grundlagen von Datenstrukturen und Algorithmen zu lernen.
Python Tutorial ist der beste Ort, um grundlegende Syntax von Python zu lernen.
Aber ich teile andere Ressourcen für einige Bibliotheken, um sie schnell zu lernen. Wann immer Sie bei einer Funktion oder Implementierung stecken geblieben sind. Es ist immer besser, documentation / tutorials / code zu verweisen, die auf der offiziellen Website vorhanden sind.
Numpy ist eine Bibliothek, die Numerical Computing in Python ermöglicht. Im maschinellen Lernen arbeiten wir immer mit Arrays. Numpy hilft, diese Arrays mit einer großen Anzahl von Funktionen zu bedienen.
Pandas ist ein schnelles, leistungsstarkes, flexibeles und einfach zu verwendendes Open -Source -Datenanalyse- und Manipulation -Tool, das auf der Python -Programmiersprache aufgebaut ist. Um mehr über die Verwendung und die Vorteile von Pandas zu erfahren, besuchen Sie die Paketübersicht Seite
Dies wird sich an einige häufige Operationen gewöhnen, die mit Pandas ausgeführt werden.OpenCV-Python ist eine Bibliothek von Python-Bindungen, die zur Lösung von Computer-Vision-Problemen entwickelt wurden. OpenCV-Python ist ein Python-Wrapper für die ursprüngliche OpenCV-C ++-Implementierung.
Weitere Informationen und Implementierung finden Sie in offiziellen Tutorials. Die Python Imaging Library fügt Python -Interpreter Bildverarbeitungsfunktionen hinzu. Diese Bibliothek bietet eine umfangreiche Unterstützung für Dateiformat, eine effiziente interne Darstellung und ziemlich leistungsstarke Bildverarbeitungsfunktionen.
NLTK ist eine führende Plattform zum Aufbau von Python -Programmen, um mit Daten der menschlichen Sprache zu arbeiten. Es bietet über 50 Korpora- und lexikalische Ressourcen wie WordNet sowie eine Reihe von Textverarbeitungsfunktionen für die Klassifizierung, Tokenisierung, Stamm-, Tagging-, Parsing- und Semantic-Argumentation, Wrapper für NLP-Bibliotheken in der Industriefestigkeit
Dies wird sich an einige häufige Operationen gewöhnen, die mit NLTK ausgeführt werden.SPACY ist eine Open-Source-Software-Bibliothek für die fortschrittliche Verarbeitung natürlicher Sprache, die in den Programmiersprachen Python und Cython geschrieben wurde.
Dieser Kurs von Spacy hilft, mit Spacy zu beginnen.Matplotlib ist eine umfassende Bibliothek zum Erstellen von statischen, animierten und interaktiven Visualisierungen in Python.
Weitere Informationen und Implementierung finden Sie in offiziellen Tutorials.Seeborn ist eine Python -Datenvisualisierungsbibliothek, die auf Matplotlib basiert. Es bietet eine hochrangige Schnittstelle zum Zeichnen von attraktiven und informativen statistischen Grafiken.
Weitere Informationen und Implementierung finden Sie in offiziellen Tutorials. In der Galerie finden Sie Knoe über verschiedene Arten von Handlungen, die in Seeborn vorhanden sind.Plotlys Python Graphing-Bibliothek stellt interaktive, publikationsqualitätsgründige Grafiken her. Beispiele für die Erstellung von Liniendiagramme, Streudiagramme, Flächendiagrammen, Balkendiagrammen, Fehlerbalken, Boxplots, Histogramme, Wärmemaps, Nebenhandlungen, Mehrfachachse, Polardiagramme und Blasendiagramme.
Scikit-Learn ist eine kostenlose Bibliothek für maschinelles Lernen für maschinelles Software für die Python-Programmiersprache. Es verfügt über verschiedene classification , regression und clustering algorithms . Es ist so konzipiert, dass es mit den numerischen und wissenschaftlichen Bibliotheken von Python Numpy und Scipy zusammenarbeitet.
Intro zu ML mit Scikit-Learn Data School 50 Scikit-Learn-Tipps sind am besten frei verfügbar
Fastai ist eine Deep-Learning-Bibliothek, die den Praktikern hochrangige Komponenten bietet, die schnell und einfach hochmoderne Ergebnisse in Standard-Deep-Learning-Domänen liefern und Forschern mit niedrigem Ebene Komponenten bieten, die gemischt und zum Aufbau neuer Ansätze angepasst werden können. Weitere Informationen finden Sie auf der Seite.
Weitere Informationen und Implementierung finden Sie in offiziellen Tutorials. Pytorch ist ein Deep-Learning-Framework, das von Meta entwickelt wurde und ein schnelles, flexibles Experimentieren und effiziente Produktion durch ein benutzerfreundliches Front-End, ein verteiltes Training und ein Ökosystem von Tools und Bibliotheken ermöglicht.
TensorFlow ist ein von Google entwickelter Deep -Learning -Framework. Es ist eine kostenlose und Open-Source-Software-Bibliothek für maschinelles Lernen und künstliche Intelligenz. Es kann in einer Reihe von Aufgaben verwendet werden, konzentriert sich jedoch besonders auf das Training und die Schlussfolgerung von tiefen neuronalen Netzwerken.
Kaggle ist die größte Daten in der Scece -Community, in der man ihre Arbeit teilen, in Wettbewerben teilnehmen, aus freien Kursen und vielem mehr lernen kann.
Um mehr aus Kaggle herauszuholen, nehmen Sie an jedem Wettbewerb teil, der sich in Ihrem Interesse befindet. Die Wettbewerbe sind stillgelegt in 3 Kategorien Tabular , Computer Vision , NLP . Wenn es keine aktiven Wettbewerbe gibt, versuchen Sie vergangene Wettbewerbe, was Sie interessiert. Wenn Sie zu irgendeinem Zeitpunkt stecken geblieben sind, beziehen Sie sich im Diskussionsforum öffentlich durchschnittliche Notizbücher / Post. Auf Kaggle gibt es eine enorome Anzahl von Datensätzen. Sie können auch Datensätze herunterladen und Ihr eigenes Projekt starten
Diese Website enthält eine Liste der laufenden ML -Wettbewerbe auf verschiedenen Plattformen
Dieser von Vetrivel PS geschriebene Blog enthält eine Liste der Datenwissenschaftswettbewerbsplattformen.
Papers with Code sind eine kostenlose und offene Ressource mit Papieren, Code, Datensätzen, Methoden und Bewertungstabellen für maschinelles Lernen.
Alles in PwC ist in Kategorien unterteilt, was es einfach macht, bestimmte Papier zu erhalten. Gehen Sie in die Kategorie / das Feld, das Sie interessiert ( Browse State-of-the-Art ). Wählen Sie ein beliebiges Papier basierend auf den Benchmarked Dataset / am meisten implementierten / Bibliotheken. Sie können auch Codeimplementierungen in verschiedenen Frameworks finden.
Lesen Sie das Papier. Implementieren Sie den Algorithmus/Modell mit Ihrem Lieblingsframework. Trainieren Sie es mit Dummy -Daten, um es zu überprüfen. Es ist der beste Weg, um in die Forschung zu kommen.
Andrej Karpathy
Krishnaik
Statquest mit Josh Starrer
3Blue1Brown
DeepLearningai
Lex Fridman
Yannic Kilcher
Henry Ai Labs
Was ist KI
Daniel Bourke
Tensorflow
Deeplizard
Aladdin Persson
Digital Sreeni
KI Sommer
Destillieren
Google AI
Meta Ai
Offene AI
AWS maschinelles Lernen
Microsoft AI Blog
Lil'log
Hack wöchentlich
Deepwizai
Aman.ai
Papiere mit Code
Arxiv
Arxiv Vernunft
Scihub
Kaggle
Papiere mit Code
Öffnen Sie Ml
CS231N: Computer Vision
CS224N: Verarbeitung natürlicher Sprache
CS224W: maschinelles Lernen mit Grafiken
CS285: Verstärkungslernen
LLM-Kurs: Zusammenstellte Ressourcen, um mehr über LLMs zu erfahren
DeepLearning.ai
Alpha -Signal: Die wöchentliche Verdauung für KI -Forscher und -ingenieure
Papiere mit Code
Was ist KI
Milde.ais oberste ML -Papiere der Woche
Tägliche Dosis Datenwissenschaft
Diese Website enthält alle Liste der verfügbaren Cloud -GPUs und deren Preise
Yannic Kilcher (Zwietracht)
Cord.ai (Slack)
MLSPACE: Die Community des maschinellen Lernens (Abhishek Thakur) (Zwietracht)
Gewichte und Vorurteile: Zug- und Feinabstimmung Modelle, Modelle von Experimentieren bis zur Produktion verwalten
Umarmung: Die Plattform, auf der die Community für maschinelles Lernen an Modellen, Datensätzen und Anwendungen zusammenarbeitet.
Pytorch Lightning: Pytorch Lightning ist der tiefe Lernrahmen für professionelle KI -Forscher und maschinelle Lerningenieure, die maximale Flexibilität benötigen, ohne die Leistung im Maßstab zu beeinträchtigen.
Automl -Bibliotheken: Pycaret, H2O Automl, Autokeras, Flaml
Bereitstellung [Anfänger]: Flask, stromantrieb
Langchain: Langchain ist ein Rahmen, um die Erstellung von Anwendungen mit großer Sprachmodellen zu vereinfachen.
