Post by account_disabled on Feb 1, 2024 9:20:09 GMT
作者的观点完全是他们自己的(不包括催眠这一不太可能发生的事件),并且可能并不总是反映 Moz 的观点。 机器学习 (ML) 在全球范围内的普及率持续增长。它的影响已经从看似无关紧要的小胜利延伸到突破性的发现。 SEO 社区也不例外。对机器学习的理解和直觉可以支持我们理解 Google 工程师所面临的挑战和解决方案,同时也让我们对 ML 的更广泛影响敞开心扉。 全面了解机器学习的优势包括: 获得对工程师的同理心,他们最终试图为用户恩达将人工智能称为“新电力”) 了解研究中经常出现的基本概念(它帮助我理解Google Brain 研究中出现的某些概念) 个人成长并拓展视野(您可能真的很喜欢机器学习!) 当代码运行并生成数据时,这是一种非常充实、充满力量的感觉(即使这是一个非常不起眼的结果) 我花了一年的时间学习在线课程、阅读书籍并学习学习(……作为一台机器)。这篇文章就是这项工作的成果——它涵盖了 17 种机器学习资源(包括在线课程、书籍、指南、会议演示等),其中包括网络上最实惠和最受欢迎的机器学习资源(通过完全初学者)。
我还添加了“如果我重新开始,我会如何处理它 目标电话号码或电话营销数据 ”的摘要。 本文与学分或学位无关。这是关于对机器学习感兴趣并且希望高效地利用学习时间的普通乔和乔安娜的故事。其中大部分资源将消耗超过 50 个小时的投入。没有人有时间去痛苦地浪费一周的工作时间(特别是当这可能是在你的私人时间完成时)。这里的目标是让您找到最适合您的学习风格的资源。我真诚地希望您发现这项研究有用,并且我鼓励您就哪些材料最有帮助(尤其是未包括在内的材料)发表评论! #人类学习机器学习 执行摘要: 以下是您需要了解的图表中的所有内容:和 Morty 脚本生成器,我运行了很这是我建议的程序: 1. 出发(预计60小时) 从针对初学者的较短内容开始。这将使您能够以最少的时间投入来了解正在发生的事情的要点。 花三个小时观看Jason Maye 的机器学习 101 幻灯片:两年的时间,所以你不必这样做。 花两个小时观看第 1、3、16、21 和 26 集)。 花两天时间完成Kaggle 的机器学习轨道第 1 部分。 2.准备提交(预计80小时) 至此,学习者就会了解自己的兴趣水平。继续关注尽快应用相关知识的内容。 承诺每周使用Fast.ai 10 小时,持续 7 周。如果您有朋友/导师可以帮助您完成 AWS 设置,那么一定要依靠安装过程中的任何支持(这 100% 是 ML 最糟糕的部分)。
获取《使用 Scikit-Learn 和 TensorFlow 进行机器学习实践:构建智能系统的概念、工具和技术》,并立即阅读前两章。然后将其用作 Fast.ai 课程的补充。 3. 拓展视野(预计115小时) 如果您已经完成了上一部分并且仍然渴望获得更多知识,请继续扩大您的视野。阅读专注于教授机器学习广度的内容——建立对算法试图完成的任务(无论是视觉上还是数学上)的直觉。 开始观看视频并参与Udacity 的机器学习简介(作者:Sebastian Thrun 和 Katie Malone)。 完成Andrew Ng 的 Coursera 机器学习课程。 您的下一步 至此,您已经拥有了 AWS 运行实例、数学基础和机器学习的总体视图。这是您确定要做什么的起点。 你应该能够根据你的兴趣决定你的下一步,无论是参加 Kaggle 比赛;做 Fast.ai 第二部分;Christopher Bishop 的《模式识别和机器学习》深入研究数学;在 Coursera 上教授吴恩达 (Andrew Ng) 最新的 Deeplearning.ai 课程;详细了解特定技术堆栈(TensorFlow、Scikit-Learn、Keras、Pandas、Numpy 等);或者将机器学习应用于您自己的问题。 我为什么推荐这些步骤和资源? 我没有资格写一篇关于机器学习的文章。我没有博士学位。我在大学里选修了一门统计课,这标志着我第一次真正理解“战斗或逃跑”反应。
我还添加了“如果我重新开始,我会如何处理它 目标电话号码或电话营销数据 ”的摘要。 本文与学分或学位无关。这是关于对机器学习感兴趣并且希望高效地利用学习时间的普通乔和乔安娜的故事。其中大部分资源将消耗超过 50 个小时的投入。没有人有时间去痛苦地浪费一周的工作时间(特别是当这可能是在你的私人时间完成时)。这里的目标是让您找到最适合您的学习风格的资源。我真诚地希望您发现这项研究有用,并且我鼓励您就哪些材料最有帮助(尤其是未包括在内的材料)发表评论! #人类学习机器学习 执行摘要: 以下是您需要了解的图表中的所有内容:和 Morty 脚本生成器,我运行了很这是我建议的程序: 1. 出发(预计60小时) 从针对初学者的较短内容开始。这将使您能够以最少的时间投入来了解正在发生的事情的要点。 花三个小时观看Jason Maye 的机器学习 101 幻灯片:两年的时间,所以你不必这样做。 花两个小时观看第 1、3、16、21 和 26 集)。 花两天时间完成Kaggle 的机器学习轨道第 1 部分。 2.准备提交(预计80小时) 至此,学习者就会了解自己的兴趣水平。继续关注尽快应用相关知识的内容。 承诺每周使用Fast.ai 10 小时,持续 7 周。如果您有朋友/导师可以帮助您完成 AWS 设置,那么一定要依靠安装过程中的任何支持(这 100% 是 ML 最糟糕的部分)。
获取《使用 Scikit-Learn 和 TensorFlow 进行机器学习实践:构建智能系统的概念、工具和技术》,并立即阅读前两章。然后将其用作 Fast.ai 课程的补充。 3. 拓展视野(预计115小时) 如果您已经完成了上一部分并且仍然渴望获得更多知识,请继续扩大您的视野。阅读专注于教授机器学习广度的内容——建立对算法试图完成的任务(无论是视觉上还是数学上)的直觉。 开始观看视频并参与Udacity 的机器学习简介(作者:Sebastian Thrun 和 Katie Malone)。 完成Andrew Ng 的 Coursera 机器学习课程。 您的下一步 至此,您已经拥有了 AWS 运行实例、数学基础和机器学习的总体视图。这是您确定要做什么的起点。 你应该能够根据你的兴趣决定你的下一步,无论是参加 Kaggle 比赛;做 Fast.ai 第二部分;Christopher Bishop 的《模式识别和机器学习》深入研究数学;在 Coursera 上教授吴恩达 (Andrew Ng) 最新的 Deeplearning.ai 课程;详细了解特定技术堆栈(TensorFlow、Scikit-Learn、Keras、Pandas、Numpy 等);或者将机器学习应用于您自己的问题。 我为什么推荐这些步骤和资源? 我没有资格写一篇关于机器学习的文章。我没有博士学位。我在大学里选修了一门统计课,这标志着我第一次真正理解“战斗或逃跑”反应。