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.
O mundo da Internet é enorme, portanto, como recursos para aprender coisas novas. Existem inúmeros recursos gratuitos e pagos para aprender o aprendizado de máquina. Ter muitas opções em mãos confusas e é difícil selecionar a melhor (dizendo da experiência). Então, colecionei os melhores recursos para começar com o aprendizado de máquina e continuar a carreira nesse campo.
Feedback e sugestões são bem -vindos :)
18.06 Curso de álgebra linear do MIT é o melhor curso para aprender o básico da álgebra linear
Curso de matrizes da Khan Academy é o melhor curso para aprender o básico da álgebra matricial
O curso de estatísticas e probabilidade da Khan Academy está o melhor curso disponível.
O cálculo diferencial é o melhor curso para aprender o básico do cálculo diferencial.
6.006 Intodução aos algoritmos é o curso do MIT para aprender o básico das estruturas e algoritmos de dados.
O tutorial do Python é o melhor lugar para aprender a sintaxe básica do Python.
Mas estou compartilhando outros recursos para algumas bibliotecas as aprendem rapidamente. Sempre que você fica preso em alguma função ou implementação. É sempre melhor consultar documentation / tutorials / code presente no site oficial.
Numpy é uma biblioteca que permite Numerical Computing no Python. No aprendizado de máquina, sempre trabalhamos com matrizes. Numpy ajuda a operar essas matrizes usando um grande número de funções disponíveis.
O PANDAS é uma ferramenta de análise e manipulação de dados de código aberto rápido, poderoso, poderoso, flexível e fácil de usar, construídos sobre a linguagem de programação Python. Para saber mais sobre o uso e vantagens dos pandas, visite a página Geralmente do Pacote
Isso ajudará a se acostumar com algumas operações frequentes realizadas com os pandas.OpenCV-Python é uma biblioteca de ligações Python projetadas para resolver problemas de visão computacional. OpenCV-Python é um invólucro Python para a implementação original do OpenCV C ++.
Consulte os tutoriais oficiais para obter mais detalhes e implementação. A Python Imaging Library adiciona recursos de processamento de imagem ao intérprete Python. Esta biblioteca fornece suporte de formato de arquivo extenso, uma representação interna eficiente e recursos de processamento de imagem bastante poderosos.
O NLTK é uma plataforma líder para a criação de programas Python para trabalhar com dados de linguagem humana. Ele fornece mais de 50 corpora e recursos lexicais, como o WordNet, juntamente com um conjunto de funções de processamento de texto para classificação, tokenização, resgate, marcação, análise e raciocínio semântico, embalagens para bibliotecas de NLP de resistência industrial
Isso ajudará a se acostumar com algumas operações frequentes realizadas com o NLTK.Spacy é uma biblioteca de software de código aberto para processamento avançado de linguagem natural, escrito nas linguagens de programação Python e Cython.
Este curso da Spacy ajuda a começar com Spacy.O Matplotlib é uma biblioteca abrangente para criar visualizações estáticas, animadas e interativas no Python.
Consulte os tutoriais oficiais para obter mais detalhes e implementação.Seaborn é uma biblioteca de visualização de dados do Python baseada em matplotlib. Ele fornece uma interface de alto nível para desenhar gráficos estatísticos atraentes e informativos.
Consulte os tutoriais oficiais para obter mais detalhes e implementação. Consulte a Galeria a Knoe sobre vários tipos de parcelas presentes em Seaborn.A Pytly's Python Graphing Library fabrica gráficos interativos e com qualidade de publicação. Exemplos de como fazer gráficos de linha, gráficos de dispersão, gráficos de área, gráficos de barras, barras de erro, gráficos de caixas, histogramas, mapas de calor, subparcelas, eixos múltiplos, gráficos polares e gráficos de bolhas.
O Scikit-Learn é uma biblioteca de aprendizado de máquina de software livre para a linguagem de programação Python. Possui vários algoritmos classification , regression e clustering algorithms . Ele foi projetado para interoperar com as bibliotecas numéricas e científicas do Python Numpy e Scipy.
Introdução ao ML com Scikit-Learn e 50 Dicas Scikit-Learn são os melhores cursos disponíveis gratuitamente da Data School para aprender Scikit-Learn
A Fastai é uma biblioteca de aprendizado profundo que fornece aos profissionais componentes de alto nível que podem fornecer resultados de ponta de ponta em domínios de aprendizado profundo e fornece aos pesquisadores componentes de baixo nível que podem ser misturados e combinados para criar novas abordagens. Verifique sobre a página para obter mais informações.
Consulte os tutoriais oficiais para obter mais detalhes e implementação. O Pytorch é uma estrutura de aprendizado profundo desenvolvido pela Meta que permite experimentação rápida e flexível e produção eficiente por meio de um front-end de uso fácil de usar, treinamento distribuído e ecossistema de ferramentas e bibliotecas.
O TensorFlow é uma estrutura de aprendizado profundo desenvolvido pelo Google . É uma biblioteca de software gratuita e de código aberto para aprendizado de máquina e inteligência artificial. Ele pode ser usado em uma variedade de tarefas, mas tem um foco particular no treinamento e inferência de redes neurais profundas.
Kaggle é a maior comunidade de dados, onde se pode compartilhar seu trabalho, participar em competições, aprender com cursos gratuitos e muito mais.
Para aproveitar mais a Kaggle, participe de qualquer competição que esteja no campo do seu interesse. As competições são divididas em 3 categorias Tabular , Computer Vision , NLP . Se não houver competições ativas, tente competições anteriores que lhe interessam. Se você ficou preso a qualquer momento, consulte cadernos / postagens publicamente disponíveis no fórum de discussão. Há um número enorômico de conjuntos de dados disponíveis no Kaggle. Você também pode baixar conjuntos de dados e iniciar seu próprio projeto
Este site contém uma lista de competições de ML em andamento em várias plataformas
Este blog escrito por Vetrifin PS possui lista de plataformas de competição de ciências de dados.
Papers with Code são um recurso gratuito e aberto com papéis de aprendizado de máquina, código, conjuntos de dados, métodos e tabelas de avaliação.
Tudo na PWC é dividido em categorias, o que facilita a obtenção de documentos específicos. Vá para a categoria / campo que lhe interessa ( Browse State-of-the-Art ). Selecione qualquer artigo com base no conjunto de dados comparado / mais implementado / bibliotecas. Você também pode encontrar implementações de código em várias estruturas.
Leia o artigo. Implemente o algoritmo/modelo com sua estrutura favorita. Treine -o com dados fictícios para verificar. É a melhor maneira de entrar em pesquisa.
Andrej Karpathy
Krishnaik
Statquest com Josh Starmer
3BLUE1BROWN
Deeplearningai
Lex Fridman
Yannic Kilcher
Henry AI Labs
O que é ai
Daniel Bourke
Tensorflow
Deeplizard
Aladdin Persson
Sreeni digital
Ai verão
Destilar
Google AI
Meta ai
Abra a IA
AWS Machine Learning
Microsoft AI Blog
Lil'log
Hackear semanalmente
DeepWizai
aman.ai
Documentos com código
arxiv
sanidade arxiv
Scihub
Kaggle
Documentos com código
Open ML
CS231N: Visão computacional
CS224N: Processamento de linguagem natural
CS224W: aprendizado de máquina com gráficos
CS285: Aprendizagem de reforço
LLM-Course: Recursos compilados para aprender sobre o LLMS
Deeplearning.ai
Sinal alfa: o resumo semanal para pesquisadores e engenheiros de IA
Documentos com código
O que é ai
Os principais documentos da ML da Dair.ai
Dose diária de ciência de dados
Este site tem toda a lista de GPUs em nuvem disponíveis e seus preços
Yannic Kilcher (Discord)
Cord.ai (folga)
MLSPACE: A Comunidade de Aprendizado de Máquinas (Abhishek Thakur) (Discord)
Pesos e vieses: treinar e ajustar modelos, gerenciar modelos de experimentação à produção
Abraçando o rosto: a plataforma em que a comunidade de aprendizado de máquina colabora em modelos, conjuntos de dados e aplicativos.
Pytorch Lightning: Pytorch Lightning é a estrutura de aprendizado profundo para pesquisadores profissionais de IA e engenheiros de aprendizado de máquina que precisam de flexibilidade máxima sem sacrificar o desempenho em escala.
Bibliotecas Automl: PyCaret, H2O Automl, Autokeras, Flaml
Implantação [Beginner]: Flask, Streamlit
Langchain: Langchain é uma estrutura projetada para simplificar a criação de aplicativos usando grandes modelos de idiomas.
