2.6 मिलियन से अधिक नामांकित (नवंबर 2019 तक) और 4.9/5 की वर्तमान औसत उपयोगकर्ता रेटिंग के साथ, यह डेटा विज्ञान के लिए सबसे लोकप्रिय मैसिव ओपन ऑनलाइन कोर्स (MOOC) में से एक है। इस बात से कोई इंकार नहीं है कि मशीन लर्निंग ऑनलाइन कोर्स द्वारा स्टैनफोर्ड विश्वविद्यालय कौरसेरा पर बड़ी सफलता मिली है। यह निस्संदेह एंड्रयू एनजी की मशीन लर्निंग के कुछ अधिक जटिल पहलुओं को सहज और आसानी से सीखने वाली अवधारणाओं में सरल बनाने की उत्कृष्ट क्षमता के कारण है। हालाँकि, जब मैंने इसे पहली बार शुरू किया था, तो मुझे इस पाठ्यक्रम के बारे में दो आपत्तियाँ थीं:
- क्या इस पाठ्यक्रम में सब कुछ अब भी प्रासंगिक है क्योंकि इसे 2011 में बनाया गया था?
- क्या मैं बस वही दोहराऊंगा जो मैं पहले से जानता हूं?
उत्तरार्द्ध के संदर्भ में, मैं एक बड़े अनुबंध पर स्वचालन के लिए प्राकृतिक भाषा प्रसंस्करण पर शोध करने वाले डेटा वैज्ञानिक के रूप में नौकरी के बाद एक प्रायोजन प्राप्त करने के लिए भाग्यशाली था, मेरे नियोक्ता लगभग (मैन्युअल रूप से, लोगों की एक बड़ी टीम के साथ) काम कर रहे थे। तीन साल। यह एक शानदार अवसर था, और यह लेख इस पर मेरे विचारों पर चर्चा करेगा कौरसेरा पर स्टैनफोर्ड यूनिवर्सिटी द्वारा मशीन लर्निंग ऑनलाइन कोर्स. यदि आप कौरसेरा के सह-संस्थापक और के संस्थापक एंड्रयू एनजी से अपरिचित हैं डीप लर्निंग.एआई, यह सबसे लोकप्रिय में से एक है मशीन लर्निंग ऑनलाइन पाठ्यक्रम.
यह कोर्स शुरुआती लोगों के लिए सबसे अच्छा विकल्प है, जैसा कि मैं बाद में बताऊंगा, लेकिन हमारी दुनिया में हर चीज में कमियां हैं। मैंने उनमें से कुछ की पहचान करने और स्रोतों के लिंक प्रदान करने का प्रयास किया, जिसके बाद आपको मशीन लर्निंग और डेटा साइंस की बेहतर समझ होनी चाहिए।
मशीन लर्निंग ऑनलाइन कोर्स का अवलोकन
इस कोर्स में मशीन लर्निंग की बुनियादी बातों को शामिल किया गया है। आप लॉजिस्टिक रिग्रेशन, सपोर्ट वेक्टर मशीन, न्यूरल नेटवर्क और क्लस्टरिंग एल्गोरिदम सहित विषयों की एक विस्तृत श्रृंखला की गहन समझ हासिल करेंगे। आप अपने मॉडलों को डिबग करने के लिए कुछ उपयोगी तकनीकें भी सीखेंगे, जो एमएल में मुश्किल हो सकती हैं और अधिकांश अन्य एमएल पाठ्यक्रमों में अक्सर अनदेखी की जाती है। कई प्रमुख एल्गोरिदम आपके द्वारा कार्यान्वित किए जाएंगे। वास्तविक दुनिया में, आप अपनी पसंदीदा लाइब्रेरी के साथ इन सुविधाओं का बिल्कुल सही उपयोग कर पाएंगे, लेकिन मैन्युअल कार्यान्वयन प्रक्रिया से गुजरने से आपकी समझ एक नए स्तर पर पहुंच जाएगी।
पाठ समझ (वेब खोज, स्पैम विरोधी), कंप्यूटर दृष्टि, मेडिकल सूचना विज्ञान, ऑडियो, डेटाबेस खनन, और अन्य विषयों को कवर किया जाएगा। अपने गणित कौशल, विशेष रूप से रैखिक बीजगणित, कलन, सांख्यिकी और संभाव्यता सिद्धांत पर ब्रश करने की तैयारी करें। फिर भी, इसे आप पर हावी न होने दें; समय बीतने के साथ गणित स्पष्ट होता जाएगा। मैं इस खंड में प्रत्येक सप्ताह की सामग्री को संक्षेप में प्रस्तुत करूँगा। इसके बाद के स्क्रीनशॉट और विवरण सभी व्याख्यानों से लिए गए हैं।
सप्ताह 1 - रैखिक प्रतिगमन
इस सप्ताह, हम देखेंगे कि कंप्यूटर को स्पष्ट रूप से प्रोग्राम किए बिना डेटा से अवधारणाओं को सीखने के लिए कैसे पढ़ाया जाए। हम एक चर के साथ रैखिक प्रतिगमन को देखकर शुरू करेंगे। एक इनपुट मान के आधार पर, रैखिक प्रतिगमन एक वास्तविक-मूल्यवान आउटपुट की भविष्यवाणी करता है। आवास मूल्य पूर्वानुमान, लागत कार्य अवधारणा और ग्रेडिएंट डिसेंट लर्निंग पद्धति के लिए रैखिक प्रतिगमन के अनुप्रयोग पर चर्चा की जाती है। आपकी याददाश्त को ताज़ा करने के लिए हमारे पास रैखिक बीजगणित अवधारणाओं पर वैकल्पिक पाठ भी होंगे। शेष पाठ्यक्रम के लिए, रैखिक बीजगणित की एक बुनियादी समझ की आवश्यकता होती है, खासकर जब हम कई चर वाले मॉडल को कवर करना शुरू करते हैं।
सप्ताह 2 - एकाधिक चर के साथ रैखिक प्रतिगमन
इस सप्ताह, हम बहु-चर रेखीय प्रतीपगमन को देखेंगे। हम दिखाएंगे कि एकाधिक इनपुट सुविधाओं को समायोजित करने के लिए रैखिक प्रतिगमन का उपयोग कैसे करें। हम रैखिक प्रतिगमन का उपयोग करने के लिए सर्वोत्तम प्रथाओं पर भी जाते हैं। हम यह भी जानेंगे कि ऑक्टेव के साथ कैसे काम किया जाए। सीखने के एल्गोरिदम को व्यवहार में कैसे लाया जाए, यह समझने में आपकी मदद करने के लिए आप प्रोग्रामिंग अभ्यास पूरा करेंगे।
सप्ताह 3 - लॉजिस्टिक रिग्रेशन
हम इस सप्ताह लॉजिस्टिक रिग्रेशन के बारे में बात करेंगे। डेटा को असतत परिणामों में वर्गीकृत करने की एक विधि लॉजिस्टिक रिग्रेशन है। हम ईमेल को स्पैम या स्पैम के रूप में वर्गीकृत करने के लिए लॉजिस्टिक रिग्रेशन का उपयोग कर सकते हैं। वर्गीकरण की अवधारणा, के लिए लागत फलन तार्किक प्रतिगमन, और बहु-वर्ग वर्गीकरण के लिए लॉजिस्टिक प्रतिगमन के अनुप्रयोग सभी इस मॉड्यूल में शामिल हैं। हम नियमितीकरण के बारे में भी बात करेंगे। मशीन लर्निंग मॉडल नए उदाहरणों को अच्छी तरह से सामान्य बनाने में सक्षम होना चाहिए जो पहले नहीं देखे गए हैं। नियमितीकरण शुरू किया जाएगा, जो मॉडल को प्रशिक्षण डेटा को ओवरफिट करने से रोकता है।
सप्ताह 4 - तंत्रिका नेटवर्क: प्रतिनिधित्व
इस सप्ताह का विषय तंत्रिका नेटवर्क है। तंत्रिका नेटवर्क एक मॉडल है जो इस बात पर आधारित है कि मस्तिष्क कैसे कार्य करता है। आज, विभिन्न अनुप्रयोगों में तंत्रिका नेटवर्क का व्यापक रूप से उपयोग किया जाता है: जब आपका फ़ोन आपके वॉयस कमांड की व्याख्या और समझ करता है, तो एक तंत्रिका नेटवर्क शामिल होने की संभावना है; जब आप किसी चेक को भुनाते हैं, तो स्वचालित रूप से अंकों को पढ़ने वाली मशीनें भी तंत्रिका नेटवर्क का उपयोग करती हैं।
सप्ताह 5 - तंत्रिका नेटवर्क: सीखना
आप सीखेंगे कि सप्ताह 5 में तंत्रिका नेटवर्क को कैसे प्रशिक्षित किया जाए। तंत्रिका नेटवर्क सबसे शक्तिशाली शिक्षण एल्गोरिदम में से एक है (मैं आमतौर पर इसका उपयोग तब करता हूं जब एक रैखिक क्लासिफायरियर विफल हो जाता है), और इस सप्ताह के वीडियो बताते हैं कि 'बैकप्रोपेगेशन' का उपयोग करके इन मॉडलों को कैसे प्रशिक्षित किया जाए। ' कलन विधि। इस सप्ताह के प्रोग्रामिंग असाइनमेंट में, आप इस एल्गोरिथम को लागू करेंगे और इसे क्रिया में देखेंगे।
सप्ताह 6 - मशीन लर्निंग को लागू करने की सलाह
सप्ताह 6 में, आप सीखेंगे कि अपने सीखने के एल्गोरिदम को व्यवस्थित रूप से कैसे सुधारें। इस सप्ताह के वीडियो आपको सिखाएंगे कि जब कोई लर्निंग एल्गोरिदम खराब प्रदर्शन कर रहा हो तो उसे कैसे पहचाना जाए और 'डीबगिंग' के लिए 'सर्वोत्तम प्रथाओं' का वर्णन किया जाए और आपके लर्निंग एल्गोरिदम के प्रदर्शन में सुधार किया जाए। हम इस बारे में भी बात करेंगे कि मशीन लर्निंग सिस्टम को कैसे डिज़ाइन किया जाए। मशीन लर्निंग एल्गोरिदम को बेहतर बनाने के लिए, आपको पहले उन क्षेत्रों की पहचान करनी होगी जहां सबसे अधिक सुधार किए जा सकते हैं।
हम देखेंगे कि मशीन लर्निंग सिस्टम के कई हिस्सों के प्रदर्शन को कैसे समझा जाए और विषमता से कैसे निपटा जाए तिथि इन पाठों में। वास्तविक दुनिया की समस्याओं के लिए मशीन लर्निंग को लागू करते समय इस सप्ताह की सामग्री की एक ठोस समझ आसानी से आपका बहुत समय बचाएगी।
सप्ताह 7 - वेक्टर मशीनों का समर्थन करें
सपोर्ट वेक्टर मशीन (एसवीएम) एल्गोरिथम इस सप्ताह कवर किया जाएगा। एसवीएम को व्यापक रूप से सबसे शक्तिशाली 'ब्लैक बॉक्स' लर्निंग एल्गोरिदम माना जाता है और आज सबसे व्यापक रूप से उपयोग किए जाने वाले लर्निंग एल्गोरिदम में से एक है, एक अच्छी तरह से चुने गए अनुकूलन उद्देश्य के लिए धन्यवाद।
सप्ताह 8 - अप्रशिक्षित शिक्षण
आप इस सप्ताह बिना पर्यवेक्षित शिक्षण के बारे में जानेंगे। पर्यवेक्षित शिक्षण एल्गोरिदम को केवल इनपुट की आवश्यकता होती है, जबकि पर्यवेक्षित शिक्षण एल्गोरिदम को लेबल किए गए उदाहरणों (x, y) (x) की आवश्यकता होती है। आप क्लस्टरिंग के बारे में जानेंगे, जिसका उपयोग विभिन्न प्रकार के अनुप्रयोगों में किया जाता है जैसे कि बाजार विभाजन और पाठ सारांश। हम प्रिंसिपल कंपोनेंट्स एनालिसिस पर भी जाएंगे, जो लर्निंग एल्गोरिदम को तेज करने के लिए एक तकनीक है और डेटा को देखने और समझने के लिए बेहद उपयोगी हो सकता है।
सप्ताह 9 - विसंगति का पता लगाना
जब आप कुछ ऑनलाइन खरीदते हैं, तो अधिकांश वेबसाइटें स्वचालित रूप से अन्य वस्तुओं का सुझाव देंगी जो आपको पसंद आ सकती हैं। अनुशंसा प्रणाली इन अनुशंसाओं को करने के लिए विभिन्न उपयोगकर्ताओं और उत्पादों के बीच गतिविधि पैटर्न को देखती है। सहयोगी फ़िल्टरिंग एल्गोरिथम और निम्न-रैंक मैट्रिक्स फ़ैक्टराइज़ेशन इस मॉड्यूल में शामिल अनुशंसा एल्गोरिदम के उदाहरण हैं।
सप्ताह 10 - बड़े पैमाने पर मशीन लर्निंग
हम इस सप्ताह बड़े पैमाने पर मशीन लर्निंग के बारे में बात करेंगे। जब प्रशिक्षण के लिए उपयोग करने के लिए बहुत अधिक डेटा होता है, तो मशीन लर्निंग सबसे अच्छा काम करता है। यह जानना कि 'बिग डेटा' को कैसे संभालना है, सिलिकॉन वैली में सबसे अधिक मांग वाले कौशल में से एक है, यह देखते हुए कि आज कई वेबसाइटें / कंपनियां कितनी मात्रा में डेटा एकत्र करती हैं।
सप्ताह 11 - आवेदन उदाहरण: फोटो ओसीआर
हम आपको इस सप्ताह Photo OCR से जुड़े एक जटिल, एंड-टू-एंड मशीन लर्निंग एप्लिकेशन के बारे में बताएंगे। छवि में वस्तुओं, शब्दों और अंकों को पहचानना और पहचानना एक कठिन काम है। हम इस समस्या को हल करने और ऐसी प्रणाली के प्रदर्शन का विश्लेषण और सुधार करने के लिए पाइपलाइन बनाने के तरीके पर जाते हैं।
प्रशिक्षक
एंड्रयू एनजी, डीपलर्निंग के संस्थापक हैं। एआई, एआई फंड में एक सामान्य भागीदार, अध्यक्ष और सह-संस्थापक Coursera, और एक स्टैनफोर्ड विश्वविद्यालय के सहायक प्रोफेसर। एआई में डॉ. एनजी के काम ने मशीन लर्निंग और ऑनलाइन शिक्षा, मशीन लर्निंग, रोबोटिक्स और संबंधित क्षेत्रों में 100 से अधिक शोध पत्रों के लेखन या सह-लेखन दोनों में अग्रणी के रूप में अनगिनत लोगों के जीवन को बदल दिया है। वह पहले Baidu के मुख्य वैज्ञानिक थे, जो दुनिया के सबसे बड़े MOOC प्लेटफॉर्म कौरसेरा के सह-संस्थापक और Google ब्रेन टीम के संस्थापक नेता थे।
डॉ एनजी अब अपना अधिकांश समय अपने उद्यमशीलता के प्रयासों के लिए समर्पित करते हैं, वैश्विक अर्थव्यवस्था में जिम्मेदार एआई प्रथाओं में तेजी लाने के सबसे प्रभावी तरीकों की खोज करते हैं। एंड्रयू एनजी निर्विवाद रूप से करिश्माई हैं, खासकर जब शिक्षण की बात आती है। वह सामग्री को धैर्य, स्पष्टता, निरंतरता और संरचना के साथ प्रस्तुत करने में सक्षम है।
मशीन लर्निंग ऑनलाइन कोर्स प्राइसिंग
लागत इस बात से निर्धारित होती है कि आप पूर्णता का प्रमाण पत्र चाहते हैं या नहीं। अधिक विशिष्ट होने के लिए, पाठ्यक्रम मूल्य निर्धारण इस प्रकार है:
- प्रमाण पत्र के बिना, यह मुफ़्त है।
- $79 यदि आपके पास प्रमाणपत्र है
ऑनलाइन लर्निंग प्लेटफॉर्म सर्टिफिकेट मूल्यवान है या नहीं, इस बारे में बहुत बहस है। यह सच है कि, किसी उम्मीदवार की स्क्रीनिंग करते समय, अधिकांश नियोक्ता ऐसे प्रमाणपत्रों पर अधिक ध्यान नहीं देते हैं। बहरहाल, क्योंकि यह कौरसेरा पर स्टैनफोर्ड यूनिवर्सिटी द्वारा मशीन लर्निंग ऑनलाइन कोर्स इतना लोकप्रिय है, कई तकनीकी लोगों ने इसे लिया होगा। वे आपके द्वारा पढ़ी गई सामग्री से अवगत होंगे। इसलिए भुगतान किए गए संस्करण में अपग्रेड करना समझ में आता है। किसी भी मामले में, प्रमाण पत्र होने की तुलना में ज्ञान होना अधिक मूल्यवान है।
कुछ विपक्ष क्या हैं?
अपने आकर्षण के बावजूद, यह कोर्स पुराना है। यह एक कोर्स दोष नहीं है, लेकिन लगभग 11 साल हो गए हैं! (पाठ्यक्रम 2011 में जारी किया गया था)। इस दौरान बहुत कुछ बदल गया है। इसके अलावा, यह अप्रासंगिक होगा यदि पाठ्यक्रम गहन शिक्षण (या अन्य तेजी से विकासशील क्षेत्रों) के बारे में था। हालाँकि, क्योंकि यह पाठ्यक्रम बुनियादी बातों के बारे में है, इसमें लगभग सब कुछ अभी भी प्रासंगिक है। शायद मशीन सीखने के अनुप्रयोगों के बारे में कहानियों को छोड़कर, जो अब थोड़ा मनोरंजक प्रतीत होता है।
इस समय, व्यावहारिक कार्यों को पूरा करने के लिए उपलब्ध उपकरण बहुत भिन्न हैं। यह सब इसलिए है क्योंकि में सबसे महत्वपूर्ण प्रगति कंप्यूटर दृष्टि और प्राकृतिक भाषा प्रसंस्करण 2011 के बाद हुआ। (और मुख्य पाठ्यक्रम उदाहरण स्व-ड्राइविंग कार और ईमेल स्पैम क्लासिफायर हैं)। यह पूरी तरह से सामान्य स्थिति है - सब कुछ उन्नत है, और आधुनिक पाठ्यक्रम दस वर्षों में अप्रचलित हो जाएंगे। इस पाठ्यक्रम में बुनियादी बातों को शामिल किया गया है जो कभी नहीं बदलेगी (कम से कम, यही हम सोचते हैं), लेकिन यह याद रखना महत्वपूर्ण है कि व्यावहारिक कार्यों के लिए दृष्टिकोण और उपकरण लगातार विकसित हो रहे हैं।
कुछ के लिए, यह स्वयं स्पष्ट हो सकता है, लेकिन दूसरों के लिए, यह हैरान करने वाला हो सकता है। तकनीकी पहलू यह है कि ध्वनि की गुणवत्ता कई बार असंगत हो सकती है। हालांकि, अगर आप शांत वातावरण में हेडफोन लगाकर पढ़ाई करते हैं, तो आप सब कुछ स्पष्ट रूप से सुन पाएंगे। उपशीर्षक भी उपलब्ध हैं।
मशीन लर्निंग ऑनलाइन कोर्स में क्या शामिल होगा?
पाठ्यक्रम में बहुत कुछ शामिल है, और यह आश्चर्यजनक मात्रा में जानकारी को रटने का प्रबंधन करता है जो थोड़े समय के लिए प्रतीत होता है। ऐसा नहीं है कि इसमें गहराई का अभाव है; वास्तव में, मेरा मानना है कि सामग्री की गहराई पाठ्यक्रम का सबसे मजबूत सूट है। लीनियर एंड लॉजिस्टिक रिग्रेशन, वेक्टराइजेशन, रेगुलराइजेशन, न्यूरल नेटवर्क्स, फीडफॉरवर्ड और बैक प्रोपेगेशन (उत्कृष्ट), कॉस्ट फंक्शन्स, नेटवर्क इनिशियलाइज़ेशन, एसवीएम, डायमेंशनलिटी रिडक्शन, सुपरवाइज्ड / अनसुपरवाइज्ड लर्निंग, प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए), के-मीन्स क्लस्टरिंग, एनोमली डिटेक्शन , अनुशंसा प्रणाली, और बहुत कुछ सभी को कवर किया जाएगा।
मशीन लर्निंग का उपयोग करने के लिए बहुत सी सलाह भी हैं, जैसे कि पूर्वाग्रह बनाम विचरण त्रुटि का निदान, ट्रेन-सत्यापन-परीक्षण सेट लागू करना, मॉडल प्रदर्शन (सटीकता, सटीक, याद और F1 स्कोर) को मापना, कौन सा एल्गोरिदम बेहतर काम करता है बहुत सारा डेटा बनाम थोड़ा डेटा, और हमारी आवश्यकताओं और/या स्थिति को बेहतर ढंग से अनुकूल करने के लिए उक्त एल्गोरिदम को कैसे समायोजित किया जाए।
फ़ायदे
इन कमियों के बावजूद, यह मशीन लर्निंग ऑनलाइन पाठ्यक्रम कौरसेरा पर स्टैनफोर्ड विश्वविद्यालय द्वारा डेटा साइंस और एआई सीखना शुरू करने का सबसे प्रभावी तरीका है। इस पाठ्यक्रम के लाभ कमियों से अधिक हैं, और निम्नलिखित कुछ लाभ हैं:
- मशीन लर्निंग तकनीकों की एक विस्तृत श्रृंखला को शामिल करता है।
- एंड्रयू एनजी की प्रतिभा और शिक्षण अनुभव के कारण, वह जटिल अवधारणाओं को सरल शब्दों में समझा सकते हैं। एंड्रयू एनजी अंतर्ज्ञान के एक उत्कृष्ट शिक्षक हैं और गणित से निपटने से डरते नहीं हैं। यह पाठ्यक्रम, विशेष रूप से, कर्नेल चाल और मॉडल चयन (अंडरफिटिंग/ओवरफिटिंग रोकथाम) के बारे में मैंने देखा सबसे अच्छा स्पष्टीकरण है।
- पाठ्यक्रम का एक महत्वपूर्ण हिस्सा तंत्रिका नेटवर्क के मूल सिद्धांतों के लिए समर्पित है।
- अधिकांश एमएल इंजीनियरों के सामान्य नुकसान और वास्तव में विधियों को कैसे लागू किया जाए, इसके बारे में विस्तार से बताया गया है।
- उपशीर्षक दस से अधिक भाषाओं में उपलब्ध हैं। इससे आप जब चाहें और जहां चाहें सीख सकते हैं, भले ही आपकी अंग्रेजी बहुत अच्छी न हो।
- याद रखें कि पाठ्यक्रम सामग्री मुफ़्त है, और आपको केवल प्रमाणपत्र के लिए भुगतान करना होगा (मानक कौरसेरा शुल्क लगभग $80 USD है)।
- आप पाठ्यक्रम असाइनमेंट को पूरा करने के लिए पायथन का उपयोग कर सकते हैं, हालांकि सीधे नहीं।
कमियां
अब, जबकि मैं आपको पाठ्यक्रम लेने के लिए दृढ़ता से प्रोत्साहित करता हूं, इसके कुछ नुकसान भी हैं। इस खंड में, मैंने नुकसान के बारे में कई तरह के दृष्टिकोण एकत्र किए हैं। आइए उन पर करीब से नज़र डालें।
1. प्रोग्रामिंग भाषा और टूलींग
पाठ्यक्रम ऑक्टेव में लिखा गया है, जो MATLAB के समान एक वैज्ञानिक कंप्यूटिंग प्रोग्रामिंग भाषा है। एंड्रयू एनजी बताते हैं कि उन्होंने ऑक्टेव को इसकी सादगी के कारण चुना, जो छात्रों को एक जटिल पर्यावरण सेटअप से विचलित होने के बजाय तर्क और एल्गोरिदम पर ध्यान केंद्रित करने की अनुमति देता है। फिर भी, मुझे विश्वास है कि यदि वह सामग्री को अद्यतन करता है तो वह इस बार पायथन का उपयोग करेगा (जो मैंने सुना है कि वह जल्द ही कर सकता है)। पायथन डेटा साइंस और मशीन लर्निंग में बहुत लोकप्रिय हो गया है। यह वातावरण को स्थापित करने और कुछ मैट्रिक्स गणनाओं के लिए NumPy का उपयोग करने के लिए काफी लोकप्रिय और सरल हो गया है।
फिर भी, ध्यान रखें कि इस पाठ्यक्रम के लिए प्रोग्रामिंग भाषा अधिक मायने नहीं रखती है। इसके अलावा, आप पहली बार में एक पेन और पेपर के साथ बहुत समय बिताएंगे, मैट्रिक्स गुणन के आयामों का पता लगाएंगे। ज्यादातर मामलों में, प्रोग्रामिंग भाषा अप्रासंगिक होगी। पायथन का उपयोग करके इस पाठ्यक्रम को पूरा करने के लिए, निम्नलिखित पर जाएँ संपर्क.
2. बहुत सारे हेल्पर कोड हैं
आप कई प्रोग्रामिंग असाइनमेंट में स्क्रैच से कोड लिखना शुरू नहीं करते हैं। आमतौर पर, कोड का एक कंकाल होता है जिसे आपको लापता कोड ब्लॉक से भरना होगा। ऐसे कुछ उदाहरण हैं जहां रिक्त स्थान भरना बहुत आसान है। कोड में टिप्पणियां आपको बहुत कुछ बताती हैं कि आपको क्या लिखना है। ऐसे मामलों में, विषय की समझ की कमी के बावजूद छात्र के लिए असाइनमेंट पास करना अपेक्षाकृत आसान होता है। हालांकि, यदि आप आसान रास्ता अपनाते हैं, तो आपको लगभग निश्चित रूप से वापस जाना होगा और भविष्य के असाइनमेंट के हिस्से के रूप में सामग्री की समीक्षा करनी होगी।
3. तंत्रिका नेटवर्क पर पर्याप्त नहीं है
कुछ लोग शिकायत करते हैं कि इंटरनेट पर कृत्रिम तंत्रिका नेटवर्क (एएनएन) के बारे में पर्याप्त जानकारी नहीं है। यह एक ऐसा विषय है जिसे केवल कुछ हफ्तों के लिए कवर किया जाएगा। बहरहाल, मेरा मानना है कि पाठ्यक्रम में सबसे महत्वपूर्ण मूलभूत तत्व शामिल हैं। ध्यान रखें कि न्यूरल नेटवर्क और डीप लर्निंग अपने आप में बहुत बड़े विषय हैं, यही वजह है कि मैं डीप लर्निंग स्पेशलाइजेशन को खत्म करने के तुरंत बाद शुरू करने की सलाह देता हूं। कौरसेरा पर स्टैनफोर्ड यूनिवर्सिटी द्वारा मशीन लर्निंग ऑनलाइन कोर्स.
4. बहुत ज्यादा/पर्याप्त नहीं गणित
हैरानी की बात है कि कुछ छात्रों का मानना है कि पाठ्यक्रम में बहुत कम गणित शामिल है। दूसरों का तर्क है कि कुछ सामग्री बहुत अधिक गणित-भारी है, जिससे यह कठिन और अव्यावहारिक है। मुझे लगता है कि यह छात्रों की पृष्ठभूमि पर निर्भर करता है। हालाँकि, यह उन बिंदुओं में से एक है जिस पर मैं असहमत हूँ। जैसा कि मैंने पहले उल्लेख किया है, एंड्रयू एनजी अभ्यास और सिद्धांत के बीच सही संतुलन बनाता है, यह सुनिश्चित करता है कि आपके पास पर्याप्त गणित पृष्ठभूमि है, कम से कम एक अवधारणा की उच्च-स्तरीय समझ के लिए। ज्यादातर मामलों में, आपको बाहरी संसाधनों के अतिरिक्त लिंक भी प्रदान किए जाएंगे जो गणित सिद्धांत को अधिक विस्तार से समझाते हैं।
5. समाप्त करने का समय
कोर्स के होम पेज के मुताबिक इसे पूरा करने के लिए छात्रों को करीब 60 घंटे का समय लगेगा। मेरा मानना है कि यह काफी सटीक अनुमान है। मैंने अपने व्यक्तिगत अनुभव के आधार पर इसे 3 महीने से भी कम समय में पूरा किया, प्रति सप्ताह 5-7 घंटे खर्च करके।
मशीन लर्निंग ऑनलाइन कोर्स से आप क्या नहीं सीखेंगे?
मशीन लर्निंग के कई पहलुओं को उद्देश्यपूर्ण ढंग से पाठ्यक्रम से बाहर रखा गया है। मैं "होशपूर्वक" शब्द का उपयोग करता हूं क्योंकि मुझे विश्वास है कि एंड्रयू एनजी और पाठ्यक्रम डिजाइन टीम नीचे सूचीबद्ध सभी अवधारणाओं से अच्छी तरह वाकिफ हैं। यह विशेष रूप से शुरुआती लोगों के लिए पाठ्यक्रम को समझने में आसान बनाने के लिए किया गया था। फिर भी, मेरा मानना है कि डेटा साइंस के बारे में अधिक जानने के इच्छुक लोगों के लिए कुछ अतिरिक्त सामग्री प्रदान करना महत्वपूर्ण है। मशीन लर्निंग को बेहतर ढंग से समझने में आपकी मदद करने के लिए यहां कुछ उदाहरण दिए गए हैं और डाटा विज्ञान. मैं सीएनएन, आरएनएन या गहन शिक्षण के अन्य पहलुओं का उल्लेख नहीं करने जा रहा हूं क्योंकि यह इतने उच्च स्तर पर है। हालांकि, मेरा मानना है कि यह सूची आपको बेहतर ढंग से समझने में मदद कर सकती है कि डेटा साइंस में क्या शामिल है।
1. एन्सेम्बल लर्निंग
पाठ्यक्रम में बैगिंग, रैंडम फ़ॉरेस्ट, बूस्टिंग, स्टैकिंग आदि जैसी सीखने की विधियों का उल्लेख नहीं है। यह, मेरी राय में, सबसे महत्वपूर्ण चूक है क्योंकि पाठ्यक्रम में तंत्रिका नेटवर्क को "एक संपूर्ण" के रूप में देखा जाता है। कमजोर वर्गीकारकों का संग्रह।
2. श्रेणीबद्ध चर
हालाँकि फीचर इंजीनियरिंग डेटा साइंस जॉब का एक महत्वपूर्ण हिस्सा है, लेकिन श्रेणीबद्ध और अन्य प्रकार के चर के बारे में कुछ नहीं कहा जाता है।
3. क्लस्टरिंग
केवल K-मीन्स क्लस्टरिंग एल्गोरिथम को क्लस्टरिंग एल्गोरिथम माना जाता है।
4. आयामी कमी
पीसीए एकमात्र आयामी कमी तकनीक है जिसे माना जाता है। इस तथ्य का उल्लेख नहीं करने के लिए कि कई दृष्टिकोण हैं, आप इस धारणा के साथ पाठ्यक्रम से दूर हो सकते हैं कि डेटा विज़ुअलाइज़ेशन के लिए पीसीए का उपयोग करना एक अच्छा विचार है।
5. विसंगति का पता लगाना
एंड्रयू एनजी पाठ्यक्रम में विसंगति का पता लगाने के बारे में बात करते हैं, लेकिन उनका वास्तव में मतलब नवीनता का पता लगाना है, जो थोड़ा अलग काम है। पाठ्यक्रम में, घनत्व अनुमान दृष्टिकोण का उपयोग करके इस समस्या को हल किया जाता है, और अन्य दृष्टिकोणों पर बिल्कुल भी विचार नहीं किया जाता है।
वंचक पत्रक
प्रत्येक कार्य को कैसे हल किया जाए, इसकी बेहतर समझ प्राप्त करने के लिए आप डेटा विज्ञान अवधारणाओं की सूची के रूप में मेरे चीट शीट लेखों का उपयोग कर सकते हैं:
निष्कर्ष
मुझे आशा है कि आपने इस समीक्षा का आनंद लिया है कौरसेरा पर स्टैनफोर्ड यूनिवर्सिटी द्वारा मशीन लर्निंग ऑनलाइन कोर्स। कुल मिलाकर, मेरा मानना है कि छोटे वर्गों पर पाठ्यक्रम के अंत में अधिक चुनौतीपूर्ण और गहन कार्य दिए जा सकते थे, लेकिन इसके अलावा, मैंने पाठ्यक्रम का पूरा आनंद लिया और मुझे विश्वास है कि मैंने इससे बहुत अधिक मूल्य प्राप्त किया। यदि आप लंबे समय से डेटा विज्ञान की दुनिया में गोता लगाना चाहते हैं, लेकिन हिम्मत नहीं की है, तो अब पाठ्यक्रम में दाखिला लेने और एक अनूठा अनुभव हासिल करने का सबसे अच्छा समय है।
आम सवाल-जवाब
यदि आप पूछ रहे हैं कि क्या मशीन लर्निंग में करियर एक अच्छा विकल्प है, तो इसका स्पष्ट उत्तर हां है। इसलिए, यदि आप डेटा, ऑटोमेशन और एल्गोरिदम में रुचि रखते हैं, तो मशीन लर्निंग आपके लिए एक बेहतरीन करियर पथ है। आपका दिन बड़ी मात्रा में डेटा का विश्लेषण करने और इसे लागू करने और स्वचालित करने से भरा होगा।
पाठ्यक्रम में बहुत सारी जमीन शामिल है लेकिन कुछ हद तक अव्यवस्थित है। यहां बहुत गणित है, इसलिए यदि आप रैखिक बीजगणित से परिचित नहीं हैं तो आपको संघर्ष करना पड़ सकता है।
कौरसेरा पर इस मशीन लर्निंग कोर्स का शीर्षक केवल "मशीन लर्निंग" है और यह पूरी तरह से मुफ्त है। आपको केवल तभी भुगतान करना होगा जब आप कर रहे हों जब आप कौरसेरा साझा करने योग्य मशीन लर्निंग प्रमाणन चाहते हैं (हालांकि यह संभावित नियोक्ताओं के लिए आकर्षक हो सकता है)।
इस बात से कोई इंकार नहीं है कि कौरसेरा के माध्यम से उपलब्ध स्टैनफोर्ड यूनिवर्सिटी का मशीन लर्निंग सर्टिफिकेशन एक बड़ी सफलता रही है। यह निस्संदेह एंड्रयू एनजी की मशीन लर्निंग के कुछ अधिक जटिल पहलुओं को सहज और आसानी से सीखने वाली अवधारणाओं में सरल बनाने की उत्कृष्ट क्षमता के कारण है।
कॉपीराइट चेतावनी! इस वेबसाइट पर सामग्री का पुनर्प्रकाशन, पुनरुत्पादन, पुनर्वितरण या तो पूर्ण या आंशिक रूप से उचित अनुमति या पावती के बिना नहीं किया जा सकता है। सभी सामग्री DMCA द्वारा संरक्षित हैं।
इस साइट पर सामग्री अच्छे इरादों के साथ पोस्ट की गई है। यदि आप इस सामग्री के स्वामी हैं और मानते हैं कि आपके कॉपीराइट का उल्लंघन या उल्लंघन किया गया था, तो सुनिश्चित करें कि आप [xscholarshipc(@)gmail(dot)com] पर हमसे संपर्क करें और कार्रवाई तुरंत की जाएगी।
