Überprüfung des Online-Kurses für maschinelles Lernen der Stanford University auf Coursera

Mit über 2.6 Millionen Einschreibungen (Stand November 2019) und einer aktuellen durchschnittlichen Benutzerbewertung von 4.9/5 ist dies einer der beliebtesten Massive Open Online Courses (MOOC) für Data Science. Es ist nicht zu leugnen, dass die Online-Kurs für maschinelles Lernen von Stanford University auf Coursera war ein großer Erfolg. Dies ist zweifellos auf die hervorragende Fähigkeit von Andrew Ng zurückzuführen, einige der komplexeren Aspekte des maschinellen Lernens in intuitive und leicht zu erlernende Konzepte zu vereinfachen. Allerdings hatte ich zwei Vorbehalte gegenüber diesem Kurs, als ich damit anfing:

• Ist alles in diesem Kurs noch aktuell, nachdem er 2011 erstellt wurde?
• Werde ich einfach wiederholen, was ich bereits weiß?

In Bezug auf Letzteres hatte ich das Glück, ein Sponsoring an Land zu ziehen, gefolgt von einem Job als Data Scientist, der die Verarbeitung natürlicher Sprache für die Automatisierung im Rahmen eines großen Auftrags erforscht, an dem mein Arbeitgeber (manuell, mit einem großen Team von Menschen) fast gearbeitet hatte XNUMX Jahre. Es war eine fantastische Gelegenheit, und dieser Artikel wird meine Gedanken dazu erörtern Online-Kurs für maschinelles Lernen der Stanford University auf Coursera. Falls Sie Andrew Ng, Mitbegründer von Coursera und Gründer von deeplearning.ai, dies ist einer der beliebtesten Online-Kurse für maschinelles Lernen.

Dieser Kurs ist die beste Wahl für Anfänger, wie ich später erklären werde, aber alles in unserer Welt hat Nachteile. Ich habe versucht, einige davon zu identifizieren und Links zu Quellen bereitzustellen, danach sollten Sie ein besseres Verständnis von Machine Learning und Data Science haben.

Überblick über den Online-Kurs Machine Learning

Dieser Kurs behandelt die Grundlagen des maschinellen Lernens. Sie erhalten ein umfassendes Verständnis für eine Vielzahl von Themen, darunter logistische Regression, Support Vector Machines, neuronale Netze und Clustering-Algorithmen, um nur einige zu nennen. Sie lernen auch einige nützliche Techniken zum Debuggen Ihrer Modelle kennen, was in ML schwierig sein kann und in den meisten anderen ML-Kursen häufig übersehen wird. Viele der Kernalgorithmen werden von Ihnen implementiert. In der realen Welt können Sie diese Funktionen sofort mit Ihrer bevorzugten Bibliothek verwenden, aber wenn Sie den manuellen Implementierungsprozess durchlaufen, wird Ihr Verständnis auf eine ganz neue Ebene gehoben.

Textverständnis (Websuche, Anti-Spam), Computer Vision, sowie medizinische Informatik, Audio, Datenbank-Mining und andere Themen werden behandelt. Bereiten Sie sich darauf vor, Ihre mathematischen Fähigkeiten aufzufrischen, insbesondere in linearer Algebra, Analysis, Statistik und Wahrscheinlichkeitstheorie. Lassen Sie sich davon jedoch nicht abschrecken; Die Mathematik wird mit der Zeit klarer. In diesem Abschnitt fasse ich kurz den Inhalt jeder Woche zusammen. Die folgenden Screenshots und Beschreibungen stammen alle aus den Vorlesungen.

Woche 1 – Lineare Regression

Diese Woche sehen wir uns an, wie man einem Computer beibringt, Konzepte aus Daten zu lernen, ohne ihn explizit programmieren zu müssen. Wir beginnen mit der Betrachtung der linearen Regression mit einer einzelnen Variablen. Basierend auf einem Eingabewert sagt die lineare Regression eine reellwertige Ausgabe voraus. Die Anwendung der linearen Regression auf die Immobilienpreisvorhersage, das Kostenfunktionskonzept und die Gradientenabstiegslernmethode werden diskutiert. Wir haben auch optionale Lektionen zu Konzepten der linearen Algebra, um Ihr Gedächtnis aufzufrischen. Für den Rest des Kurses ist ein grundlegendes Verständnis der linearen Algebra erforderlich, insbesondere da wir beginnen, Modelle mit mehreren Variablen zu behandeln.

Woche 2 – Lineare Regression mit mehreren Variablen

Diese Woche werden wir uns mit der linearen Regression mit mehreren Variablen befassen. Wir zeigen, wie Sie die lineare Regression verwenden, um mehrere Eingabefunktionen zu berücksichtigen. Wir gehen auch auf die Best Practices für die Verwendung der linearen Regression ein. Wir gehen auch darauf ein, wie man mit Octave arbeitet. Sie absolvieren Programmierübungen, um zu verstehen, wie Sie die Lernalgorithmen in die Praxis umsetzen können.

Woche 3 – Logistische Regression

Wir werden diese Woche über logistische Regression sprechen. Eine Methode zur Klassifizierung von Daten in diskrete Ergebnisse ist die logistische Regression. Wir können die logistische Regression verwenden, um eine E-Mail als Spam oder Nicht-Spam zu klassifizieren. Das Konzept der Klassifizierung, die Kostenfunktion für logistisch Regression und die Anwendung der logistischen Regression auf die Mehrklassenklassifikation werden alle in diesem Modul behandelt. Wir werden auch über Regularisierung sprechen. Modelle für maschinelles Lernen müssen in der Lage sein, sich gut auf neue Beispiele zu verallgemeinern, die noch nie zuvor gesehen wurden. Es wird eine Regularisierung eingeführt, die verhindert, dass Modelle die Trainingsdaten überanpassen.

Woche 4 – Neuronale Netze: Repräsentation

Das Thema dieser Woche sind neuronale Netze. Neuronale Netze sind ein Modell, das darauf basiert, wie das Gehirn funktioniert. Heutzutage werden neuronale Netze häufig in verschiedenen Anwendungen eingesetzt: Wenn Ihr Telefon Ihre Sprachbefehle interpretiert und versteht, ist wahrscheinlich ein neuronales Netz beteiligt; Wenn Sie einen Scheck einlösen, verwenden die Maschinen, die die Ziffern automatisch lesen, auch neuronale Netze.

Woche 5 – Neuronale Netze: Lernen

In Woche 5 lernen Sie, wie man neuronale Netze trainiert. Das neuronale Netz ist einer der leistungsstärksten Lernalgorithmen (ich verwende es normalerweise, wenn ein linearer Klassifikator versagt), und die Videos dieser Woche erklären, wie man diese Modelle mit der „Backpropagation“ trainiert ' Algorithmus. In der Programmieraufgabe dieser Woche werden Sie diesen Algorithmus implementieren und in Aktion sehen.

Woche 6 – Hinweise zur Anwendung von maschinellem Lernen

In Woche 6 lernen Sie, wie Sie Ihren Lernalgorithmus systematisch verbessern. In den Videos dieser Woche lernen Sie, wie Sie erkennen, wenn ein Lernalgorithmus eine schlechte Leistung erbringt, und beschreiben „Best Practices“ für das „Debugging“ und die Verbesserung der Leistung Ihres Lernalgorithmus. Wir werden auch darüber sprechen, wie man ein maschinelles Lernsystem entwirft. Um einen maschinellen Lernalgorithmus zu verbessern, müssen Sie zunächst die Bereiche identifizieren, in denen die meisten Verbesserungen vorgenommen werden können.

Wir gehen darauf ein, wie man die Leistung eines maschinellen Lernsystems mit mehreren Teilen versteht und wie man mit Schiefe umgeht technische Daten in diesen Lektionen. Ein solides Verständnis der Inhalte dieser Woche wird Ihnen viel Zeit sparen, wenn Sie maschinelles Lernen auf reale Probleme anwenden.

Woche 7 – Unterstützung von Vektormaschinen

Der Algorithmus der Support Vector Machine (SVM) wird diese Woche behandelt. SVMs werden weithin als der leistungsstärkste „Black Box“-Lernalgorithmus und einer der heute am häufigsten verwendeten Lernalgorithmen angesehen, dank eines gut gewählten Optimierungsziels.

Woche 8 – Unüberwachtes Lernen

In dieser Woche lernen Sie etwas über unbeaufsichtigtes Lernen. Unüberwachte Lernalgorithmen erfordern nur die Eingabe, während überwachte Lernalgorithmen beschriftete Beispiele (x,y) (x) erfordern. Sie lernen Clustering kennen, das in einer Vielzahl von Anwendungen wie Marktsegmentierung und Textzusammenfassung verwendet wird. Wir gehen auch auf die Hauptkomponentenanalyse ein, eine Technik zur Beschleunigung von Lernalgorithmen, die für die Visualisierung und das Verständnis von Daten äußerst nützlich sein kann.

Woche 9 – Erkennung von Anomalien

Wenn Sie etwas online kaufen, schlagen die meisten Websites automatisch andere Artikel vor, die Ihnen gefallen könnten. Empfehlungssysteme betrachten Aktivitätsmuster zwischen verschiedenen Benutzern und Produkten, um diese Empfehlungen zu geben. Der kollaborative Filteralgorithmus und die Matrixfaktorisierung mit niedrigem Rang sind Beispiele für Empfehlungsalgorithmen, die in diesem Modul behandelt werden.

Woche 10 – Maschinelles Lernen im großen Maßstab

Wir werden diese Woche über maschinelles Lernen im großen Maßstab sprechen. Wenn viele Daten für das Training verwendet werden müssen, funktioniert maschinelles Lernen am besten. Der Umgang mit „Big Data“ ist angesichts der Datenmengen, die viele Websites/Unternehmen heute sammeln, eine der gefragtesten Fähigkeiten im Silicon Valley.

Woche 11 – Anwendungsbeispiel: Foto-OCR

Wir führen Sie diese Woche durch eine komplexe End-to-End-Anwendung für maschinelles Lernen mit Photo OCR. Das Erkennen und Identifizieren von Objekten, Wörtern und Ziffern in einem Bild ist eine schwierige Aufgabe. Wir gehen darauf ein, wie man eine Pipeline baut, um dieses Problem zu lösen, und analysieren und verbessern die Leistung eines solchen Systems.

Der Lehrer

Andrew Ng ist der Gründer von DeepLearning.AI, ein Komplementär des AI Fund, der Vorsitzende und Mitbegründer von Coursera, und außerordentlicher Professor der Stanford University. Dr. Ngs Arbeit im Bereich KI hat unzählige Leben als Pionier sowohl im maschinellen Lernen als auch im Online-Unterricht verändert und über 100 Forschungsarbeiten in den Bereichen maschinelles Lernen, Robotik und verwandte Bereiche verfasst oder mitverfasst. Zuvor war er Chefwissenschaftler bei Baidu, Mitbegründer von Coursera, der weltweit größten MOOC-Plattform, und Gründungsleiter des Google Brain-Teams.

Dr. Ng widmet nun den größten Teil seiner Zeit seinen unternehmerischen Bemühungen und sucht nach den effektivsten Wegen, um verantwortungsbewusste KI-Praktiken in der globalen Wirtschaft zu beschleunigen. Andrew Ng ist unbestreitbar charismatisch, besonders wenn es ums Unterrichten geht. Er ist in der Lage, das Material mit Geduld, Klarheit, Konsistenz und Struktur zu präsentieren.

Preise für Online-Kurse zum maschinellen Lernen

Die Kosten richten sich danach, ob Sie ein Abschlusszertifikat wünschen oder nicht. Genauer gesagt sind die Kurspreise wie folgt:

• Ohne Zertifikat ist es kostenlos.
• $79, wenn Sie ein Zertifikat haben

Es wird viel darüber diskutiert, ob ein Online-Lernplattform-Zertifikat wertvoll ist oder nicht. Es stimmt, dass die meisten Arbeitgeber solchen Zertifikaten beim Screening eines Kandidaten nicht viel Aufmerksamkeit schenken. Trotzdem, weil dies Online-Kurs für maschinelles Lernen der Stanford University auf Coursera ist so beliebt, dass viele Techniker es genommen hätten. Sie werden sich der Materialien bewusst sein, die Sie gelesen haben. Daher kann es sinnvoll sein, auf die kostenpflichtige Version umzusteigen. In jedem Fall ist Wissen wertvoller als ein Zertifikat.

Was sind einige der Nachteile?

Trotz seines Reizes ist dieser Kurs veraltet. Dies ist kein Kursfehler, aber es sind fast 11 Jahre vergangen! (der Kurs wurde 2011 veröffentlicht). In dieser Zeit hat sich viel verändert. Außerdem wäre es unerheblich, ob es in dem Kurs um Deep Learning (oder andere sich schnell entwickelnde Bereiche) ginge. Da es in diesem Kurs jedoch um die Grundlagen geht, ist fast alles darin noch relevant. Außer vielleicht Geschichten über maschinelle Lernanwendungen, die jetzt ein wenig amüsant erscheinen.

Zu diesem Zeitpunkt sind die Werkzeuge, die zur Erledigung praktischer Aufgaben zur Verfügung stehen, sehr unterschiedlich. All dies liegt daran, dass die bedeutendsten Fortschritte in Computer Vision und Verarbeitung natürlicher Sprache traten nach 2011 auf (und Hauptbeispiele sind selbstfahrende Autos und E-Mail-Spam-Klassifikatoren). Das ist eine ganz normale Situation – alles ist fortgeschritten, und moderne Studiengänge werden in zehn Jahren überholt sein. Dieser Kurs behandelt die Grundlagen, die sich nie ändern werden (zumindest glauben wir das), aber es ist wichtig, sich daran zu erinnern, dass sich Ansätze und Werkzeuge für praktische Aufgaben ständig weiterentwickeln.

Für einige mag es selbstverständlich sein, aber für andere kann es verwirrend sein. Der technische Aspekt ist, dass die Tonqualität manchmal inkonsistent sein kann. Wenn Sie jedoch in einer ruhigen Umgebung mit Kopfhörern lernen, können Sie alles klar hören. Untertitel sind ebenfalls verfügbar.

Was wird im Online-Kurs für maschinelles Lernen behandelt?

Der Kurs deckt viel ab und schafft es, eine überraschende Menge an Informationen in eine scheinbar kurze Zeit zu packen. Nicht, dass es an Tiefe fehlt; Tatsächlich glaube ich, dass die Tiefe des Materials die stärkste Seite des Kurses ist. Lineare und logistische Regression, Vektorisierung, Regularisierung, Neuronale Netze, Feedforward und Back Propagation (hervorragend), Kostenfunktionen, Netzwerkinitialisierung, SVMs, Dimensionsreduktion, überwachtes/unüberwachtes Lernen, Hauptkomponentenanalyse (PCA), K-Means-Clustering, Anomalieerkennung , Empfehlungssysteme und vieles mehr werden behandelt.

Es gibt auch viele Ratschläge für die Verwendung von maschinellem Lernen, wie z. B. die Diagnose von Bias vs. Variance Error, die Implementierung von Train-Validation-Test-Sets, die Messung der Modellleistung (Genauigkeit, Präzision, Abruf und F1-Scores), welche Algorithmen mit a besser funktionieren viele Daten vs. wenig Daten, und wie man diese Algorithmen besser an unsere Bedürfnisse und/oder Situation anpassen kann.

Vorteile

Trotz dieser Nachteile ist dies Maschinelles lernen Online Kurs von der Stanford University auf Coursera bleibt der effektivste Weg, um mit dem Erlernen von Data Science und KI zu beginnen. Die Vorteile dieses Kurses überwiegen die Nachteile, und im Folgenden sind einige Vorteile aufgeführt:

1. Deckt eine breite Palette von Techniken des maschinellen Lernens ab.
2. Aufgrund des Talents und der Unterrichtserfahrung von Andrew Ng kann er komplizierte Konzepte in einfachen Worten erklären. Andrew Ng ist ein ausgezeichneter Intuitionslehrer und scheut sich nicht davor, sich mit Mathematik auseinanderzusetzen. Insbesondere dieser Kurs ist die beste Erklärung, die ich für den Kernel-Trick und die Modellauswahl (Verhinderung von Underfitting/Overfitting) gesehen habe.
3. Ein wesentlicher Teil des Kurses ist den Grundlagen neuronaler Netze gewidmet.
4. Die häufigsten Fallstricke der meisten ML-Ingenieure und die tatsächliche Anwendung von Methoden werden ausführlich behandelt.
5. Es sind Untertitel in über zehn Sprachen verfügbar. So können Sie lernen, wann und wo Sie wollen, auch wenn Ihr Englisch nicht sehr gut ist.
6. Denken Sie daran, dass die Kursmaterialien kostenlos sind und Sie nur das Zertifikat bezahlen müssen (die Standardgebühr von Coursera beträgt etwa 80 USD).
7. Sie können Python verwenden, um die Kursaufgaben zu erledigen, jedoch nicht direkt.

Die Nachteile

Obwohl ich Sie dringend ermutige, den Kurs zu belegen, hat er einige Nachteile. In diesem Abschnitt habe ich verschiedene Standpunkte zu den Nachteilen gesammelt. Schauen wir sie uns genauer an.

1. Die Programmiersprache und Werkzeuge

Der Kurs ist in Octave geschrieben, einer Programmiersprache für wissenschaftliches Rechnen, ähnlich wie MATLAB. Andrew Ng erklärt, dass er sich für Octave aufgrund seiner Einfachheit entschieden hat, die es den Schülern ermöglicht, sich auf Logik und Algorithmen zu konzentrieren, anstatt durch eine komplizierte Einrichtung der Umgebung abgelenkt zu werden. Dennoch bin ich zuversichtlich, dass er dieses Mal Python verwenden wird, wenn er das Material aktualisiert (was er, wie ich höre, bald tun wird). Python ist in der Datenwissenschaft und im maschinellen Lernen viel zu beliebt geworden. Es ist sehr beliebt und einfach geworden, die Umgebung einzurichten und NumPy für einige Matrixberechnungen zu verwenden.

Beachten Sie jedoch, dass die Programmiersprache für diesen Kurs nicht so wichtig ist. Außerdem werden Sie zunächst viel Zeit mit Stift und Papier verbringen, um die Dimensionen von Matrizenmultiplikationen herauszufinden. In den meisten Fällen wird die Programmiersprache irrelevant sein. Um diesen Kurs mit Python abzuschließen, gehen Sie wie folgt vor Link.

2. Es gibt eine Menge Hilfscode

Bei vielen Programmieraufgaben fangen Sie nicht an, Code von Grund auf neu zu schreiben. Normalerweise gibt es ein Code-Skelett, das Sie mit fehlenden Codeblöcken ausfüllen müssen. Es gibt Fälle, in denen das Ausfüllen der Lücken viel zu einfach ist. Die Kommentare im Code sagen Ihnen ziemlich genau, was Sie schreiben müssen. In solchen Fällen ist es für den Studierenden relativ einfach, die Hausarbeit trotz mangelnden Verständnisses der Materie zu bestehen. Wenn Sie jedoch den einfachen Weg wählen, müssen Sie mit ziemlicher Sicherheit zurückgehen und das Material im Rahmen zukünftiger Aufgaben durchsehen.

3. Es gibt nicht genug neuronale Netze

Einige Leute beschweren sich, dass es nicht genug Informationen über künstliche neuronale Netze im Internet (ANNs) gibt. Dies ist ein Thema, das nur wenige Wochen lang behandelt wird. Trotzdem denke ich, dass der Kurs die wichtigsten grundlegenden Elemente abdeckt. Denken Sie daran, dass Neuronale Netze und Deep Learning an und für sich große Themen sind, weshalb ich empfehle, die Deep Learning-Spezialisierung sofort nach Abschluss der zu beginnen Online-Kurs für maschinelles Lernen der Stanford University auf Coursera.

4. Zu viel/nicht genug Mathe

Überraschenderweise glauben einige Studenten, dass der Kurs zu wenig Mathematik abdeckt. Andere argumentieren, dass ein Teil des Inhalts viel zu mathelastig ist, was es schwierig und unpraktisch macht. Ich denke, es kommt auf den Hintergrund der Schüler an. Dies ist jedoch einer der Punkte, in denen ich anderer Meinung bin. Wie ich bereits erwähnt habe, findet Andrew Ng die perfekte Balance zwischen Praxis und Theorie und stellt sicher, dass Sie über genügend mathematische Kenntnisse verfügen, zumindest um ein Konzept auf hohem Niveau zu verstehen. In den meisten Fällen erhalten Sie auch zusätzliche Links zu externen Ressourcen, die die mathematische Theorie näher erläutern.

5. Zeit bis zum Ende

Laut der Homepage des Kurses benötigen die Studenten etwa 60 Stunden, um ihn zu absolvieren. Das ist, glaube ich, eine ziemlich genaue Schätzung. Ich habe es in weniger als 3 Monaten abgeschlossen und 5-7 Stunden pro Woche verbracht, basierend auf meiner persönlichen Erfahrung.

Was Sie aus dem Online-Kurs für maschinelles Lernen nicht lernen werden

Viele Aspekte des maschinellen Lernens werden bewusst ausgelassen. Ich verwende das Wort „bewusst“, weil ich davon überzeugt bin, dass Andrew Ng und das Kursdesignteam mit allen unten aufgeführten Konzepten bestens vertraut sind. Dies wurde speziell gemacht, um den Kurs für Anfänger leichter verständlich zu machen. Dennoch halte ich es für entscheidend, einige zusätzliche Materialien für diejenigen bereitzustellen, die daran interessiert sind, mehr über Data Science zu erfahren. Hier sind einige Beispiele, die Ihnen helfen sollen, maschinelles Lernen besser zu verstehen und Daten Wissenschaft. Ich werde CNNs, RNNs oder andere Aspekte des Deep Learning nicht erwähnen, weil es auf einem so hohen Niveau ist. Ich glaube jedoch, dass diese Liste Ihnen helfen kann, besser zu verstehen, was Data Science bedeutet.

1. Ensemble-Lernen

Der Kurs erwähnt keine Ensemble-Lernmethoden wie Bagging, Random Forest, Boosting, Stacking usw. Dies ist meiner Meinung nach die wichtigste Auslassung, da das neuronale Netzwerk im Kurs „als Ganzes“ und nicht als ein betrachtet wird Sammlung schwacher Klassifikatoren.

2. Kategoriale Variablen

Obwohl Feature-Engineering ein wichtiger Teil des Data-Science-Jobs ist, wird nichts über kategoriale und andere Arten von Variablen gesagt.

3. Clusterbildung

Nur der K-Means-Clustering-Algorithmus wird als Clustering-Algorithmus betrachtet.

4. Dimensionsreduktion

PCA ist die einzige Dimensionalitätsreduktionstechnik, die berücksichtigt wird. Abgesehen von der Tatsache, dass es zahlreiche Ansätze gibt, werden Sie nach dem Kurs möglicherweise den Eindruck haben, dass die Verwendung von PCA zur Datenvisualisierung eine gute Idee ist.

5. Anomalieerkennung

Andrew Ng spricht im Kurs über Anomalieerkennung, meint aber eigentlich Neuheitserkennung, was eine etwas andere Aufgabe ist. Dieses Problem wird im Kurs mit einem Dichteschätzungsansatz gelöst, andere Ansätze werden überhaupt nicht betrachtet.

Spickzettel

Sie können auch meine Spickzettel-Artikel als Listen von datenwissenschaftlichen Konzepten verwenden, um ein besseres Verständnis für die Lösung jeder Aufgabe zu erhalten:

• Spickzettel für überwachte Lernalgorithmen
• Spickzettel zur Dimensionalitätsreduktion
• Spickzettel zur Erkennung von Anomalien

Zusammenfassung

Ich hoffe, Ihnen hat diese Rezension gefallen Online-Kurs für maschinelles Lernen der Stanford University auf Coursera. Insgesamt glaube ich, dass gegen Ende des Kurses in den kleineren Abschnitten herausforderndere und tiefgreifendere Aufgaben hätten gegeben werden können, aber abgesehen davon hat mir der Kurs sehr gefallen und ich glaube, dass ich sehr viel Wert daraus gezogen habe. Wenn Sie schon lange in die Welt der Data Science eintauchen wollten, sich aber bisher nicht getraut haben, ist jetzt der beste Zeitpunkt, sich in den Kurs einzuschreiben und einzigartige Erfahrungen zu sammeln.

Häufig gestellte Fragen