ML学习经历

最新推荐文章于 2024-04-25 17:33:13 发布

a506433862

最新推荐文章于 2024-04-25 17:33:13 发布

阅读量290

点赞数

原文链接：http://www.cnblogs.com/mlz34911u4/p/9280379.html

版权

2018.6.20，学习开始
2018.6.20，Coursera课程，Machine Learning，斯坦福大学
- 非常适合初学者，内容循序渐进，整体难度不大，对概念、模型介绍的比较细致
- 数学推导不算完整也不深入，因此也没有数学上的理解难度，但是足够理解模型
- assignment实用Octave，类似于Matlab
- 模型算法都很基本，tree、boost、CNN、RNN都没涉及到
- 2018.7.6，课程完成
2018.7.6，Coursera课程，Machine Learning and Reinforcement Learning in Finance，纽约大学Tandon工程学院
- 课程声明需要一定的ML基础，课程内容模型和算法介绍很简略，应用性很强，会联系到finance领域的应用问题
- 使用IPython(JupyterNotebook)、numpy、scikit-learn、tensorflow等主流工具库，因此assignment难度较大
- 评分很低3.4，主要原因是作业交不上去，另外Quiz直接复制vedio中的题目，讲义和assignment中有一些明显勘误，讲师还有口音……
- 2018.7.9，暂停了这门课程
2018.7.9，Coursera课程，Practical Time Series Analysis，纽约州大
- 学习目标改变，变更为时间序列的预测问题
- 这门课很短，内容详细讲述了时间序列相关的概念和模型，数学推导比较多，但是都很细致。
- 2018.7.15，暂停了这门课程
2018.7.13，注册Kaggle
- 机缘巧合下，和Eigen的曹博士有一次交流，期间前辈建议去Kaggle看看
- 有应用、有数据、有分享，非常好的资源
2018.7.15，Coursera课程，Sequence Model，deeplearning.ai
- 为了RNN模型
- 只学了Week1的RNN模型部分，充分体现了Andrew Ng教授的风格，模型原理讲解细致
- 课程Quiz和assignment收费略高，由于尚未了结ML & RL in Finance那门课，没有购买。
- 2018.7.18，Week1的RNN模型结束后，暂停了这门课程
2018.7.18，工作开始了一波超大加班，持续到7.23
2018.7.23，SJTU的PT资源，Tensorflow案例实战视频课程
- 看水印，这批资源来自于51CTO。
- 课程内容偏向于实际应用，紧密结合tensorflow，课程内容不像Coursera课程那么系统和全面，用到哪里就讲到哪里。
- 资源中包括了课程讲解涉及的所有JN源文件，但是课程扩展性感觉不太强，学过之后留下的印象比较少
- 2018.7.26，再次暂停这部分内容
7月份是迷茫的一个月，学习目标变更很多次，课程大多开了个头没有收尾，这显得有些急功近利。
虽然看了很多应用性很强的课程资源，但是由于对模型本身尚不了解，留下的印象总是很浅。
因此还是决定放弃功利的目标，首先在应用中学习一些高级的算法模型，包括RL
2018.7.26，恢复ML & RL in Finance
- 这门课第一个月包月8.7到期，因此优先恢复这门课
- 课程包含大量reading，其中《Hands on ML with Sklearn & TF》的内容紧密联系tf的应用，因此可以达到理论+实践的结合
2018.7.30，Kaggle，经典的Titanic survive问题
- 在此过程中，感觉已知的算法、工具都太少，需要学习deep learning和ensemble learning的知识
2018.8.7，ML&RL in Finance再次暂停
- 被assignment中的金融公式定义卡住了。
2018.8.7，Coursera课程，Deep Learning Specialization，deeplearning.ai
- 开始系统的学习这门课，还是Andrew Ng主讲，内容主要是DNN、CNN和RNN
- 课程中讲解了大量的实际应用，包括assignment的目标。但是目前我对这些应用还没什么感觉。
- 其中印象最深刻的是大量的transfer learning
- 2018.8.13，课程完成
2018.8.13，Titanic: Machine Learning from Disaster
- 之后工作有点紧张，积压了学习的时间和进度
- Kaggle上操作了一下最简单的入门问题，目前只是17%
- 估计目前问题，首先是feature分析不够详细，另外是ensemble算法有很大的提升空间。
2018.8.20，Coursera课程，机器学习基石（上）
- 在询问了一下已经从事算法工作的朋友之后，觉得基础概念和理论还是需要扎实一些。
- 因此听从建议，针对每个模型的细节和原理进行学习。
- 掌握了原理才能更好地在遇到问题时，选择合适的模型来解决。同时也算是对未来面试的理论方向的准备。
- 这门课从计算学习理论的角度，对机器学习的可行性进行了论证。
- 讲解中没有涉及任何一个常用算法，仅仅以PLA为例。
- 2018.8.28，课程完成
截止到2018.8.28，学习方向修正为，面向面试内容学习，可能之后要以理论原理为优先。
2018.8.28，Coursera课程，机器学习基石（下）
- 大概看了一下大纲，课程涉及到的算法比较简单。
- LinearR和LogisticR作为最基本的模型，面试中可能涉及会很多，了解其原理是有价值的。　
- 2018.9.10，课程完成
2018.9.10，网上下载《机器学习技法》课程
- 依然是台大林教授系列课程，依然延续理论分析的角度。
- 可以配合西瓜书来看，包括基石课程中的内容。
继续关注计算理论相关的内容，针对每个算法了解其原理，为面试提问做准备。