Si është i ndryshëm Specializimi i ri i të mësuarit të makinerisë krahasuar me Kursin e vjetër të mësimit të makinerisë?

Kursi i mësimit të makinerive të Andrew Ng - lëshuar në 2011 - është një nga kurset më të famshme hyrëse të mësimit të makinerive, miliona studentë në mbarë botën gjatë dekadës së fundit e konsideruan atë si fillimin të studimit të mësimit të makinerive. vështirë se mund të gjesh një udhërrëfyes që nuk e rekomandon sepse njihet për thjeshtësi, duke u fokusuar në konceptet kryesore.

Prillin e kaluar, Andrew Ng njoftoi se kursi i ri, i rinovuar i Mësimit të Makinerisë – tashmë specializimi – do të jetë i disponueshëm në Coursera së shpejti.

Ajo nisi dy kurset e para fillimisht në qershor, pastaj të tretin - dhe të fundit - "u bë përfundimisht i disponueshëm" në fund të korrikut.

Në këtë artikull, ne do të diskutojmë në detaje këtë specializim të ri, cilat janë ndryshimet midis tij dhe kursit të vjetër. duhet ta marrësh nëse ke marrë të vjetrën?

Krahasimi i përmbajtjes

Përmbajtja e lëndës së vjetër dhe e specializimit të ri janë mjaft të ngjashme në shumë aspekte, megjithatë, ka shumë dallime në aspektin e temave të trajtuara dhe se si mbulohen këto tema.

Temat vetëm në specializimin e ri

1- Pemët e vendimit

Leksionet fillojnë me përcaktimin e pemëve të vendimit, kriteret e ndarjes dhe përdorimet e ndryshme të pemës si aplikimi i algoritmit për veçoritë kategorike, ndarja në veçori të vazhdueshme, ose përdorimi i pemëve për problemet e regresionit, pastaj shpjegon kombinimin e pemëve të shumta dhe përdorimin e Mësimi i ansamblitpër të aplikuar Random Forest,në leksionin e fundit ne hedhim një vështrim të shkurtër të XGBoostdhe si t'i përdorim ato, pa asnjë detaj më shumë.

2- Të mësuarit përforcues

Kjo është ndoshta pjesa më e reklamuar e të gjithë specializimit, gjeta shumë njerëz që festojnë që ky kurs hyrës do të diskutojë tema të tilla.

në këtë shembull të thjeshtë, diskret, me vlera të fundme, ai shpjegon përkufizimet e shumë koncepteve si gjendja, veprim, shpërblimi, kthimi ,dhe politikat, diskuton funksionin e vlerës së veprimit të gjendjes dhe çfarë është Ekuacioni Bellman,si të merret parasysh probabiliteti i të padëshiruarit sjelljet dhe efekti i tyre në vlerën e kthyer dhe funksionin e vlerës së gjendjes-veprim.

më pas, ai diskuton një aplikacion më të përgjithshëm me vlera të vazhdueshme dhe si të përdorni Deep Learningdhe të aplikoni Deep Q Networkspër të mësuar funksioninvlerën e veprimit të gjendjes, /strong>dhe një sërë përmirësimesh të algoritmit, të tilla si modifikimi i arkitekturës së rrjetit nervor, përditësimi i butë dhe politikat ɛ-greedy.

Temat vetëm në kursin e vjetër

1- Makinat e Vektorit Mbështetës

SVM-të kanë një leksion të tërë në kursin e parë që shpjegon në detaje idenë e klasifikuesve të marzhit të madh, kufijtë e vendimeve SVM dhe si të zbatohet truku i kernelit për të përshtatur vektorin me dimensione më të larta

2- Reduktimi i dimensioneve

Pas shfaqjes së dy shembujve motivues në kompresimin dhe vizualizimin e të dhënave, filloi të shpjegonte analizën e komponentit parimor (PCA) dhe mënyrën e zgjedhjes së numrit të komponentëve.

Temat në të dyja me dallime

1- Rrjetet nervore

Rreth gjysma e kursit të dytë në specializim janërrjetet nervore. dhe është përmendur në shumë tema më pas si filtrimi i bazuar në përmbajtje dhe të mësuarit përforcues.

Për mendimin tim, idetë kryesore të rrjeteve nervore shpjegohen më mirë në specializimin e ri, me shembuj më intuitiv dhe rrjedhje më të mirë, duke qenë se kursi i vjetër fokusohet vetëm në konceptet kryesore.

Tema e vetme që specializimi i ri nuk diskuton është Backpopagation,përmendet shumë shkurt, ndërsa diskutohet më hollësisht në kursin e vjetër.

Specializimi i ri diskuton edhe disa tema shtesë si

  • Funksionet e ndryshme të aktivizimit dhe përdorimi i tyre, dhe qëllimi kryesor i përdorimit të funksioneve të aktivizimit (kjo temë është shpjeguar në mënyrë identike në kursin e parë në Specializimin e të mësuarit të thellë të Andrew)
  • Shumëklasifikimi - i përmendur shumë shkurt në kursin e vjetër - duke përdorur Sregresionin oftmax.
  • Lloje të ndryshme shtresash dhe CNNsi shembull
  • Algoritmi i optimizimit Adam
  • Implementimi TensorFlow i rrjeteve neurale, të cilat do të përdoren edhe në kursin e tretë

2- Sistemet Rekomanduese

Pjesa e filtrimit bashkëpunues është mjaft e ngjashme (me disa detaje në kursin e vjetër), por ideja e përdorimit të mësimit të thellë për filtrimin e bazuar në përmbajtje është ekskluzive për specializimin e ri dhe mënyrën e aplikimit të filtrit në grupe të dhënash të mëdha duke përdorur Rikthimdhe Rankimi.

Temat në të dyja pa dallime të dukshme

Pjesët e tjera janë përgjithësisht të ngjashme, ndryshimi kryesor është në lidhje me pjesën praktike në laboratorë - kontrolloni pikën tjetër - dhe në leksione, disa prej tyre diskutuan disa kode, gjë që nuk e pashë pothuajse në kursi i vjetër.

Edhe pse ka pak dallime, këtu janë disa prej tyre

  • Regresioni linear: ekuacioni normal përmendet shumë shkurt në specializimin e ri
  • Këshilla për mësimin e makinerisë:është mjaft më i pasur në specializimin e ri, me diskutimin e disa temave (shkurtimisht) si të mësuarit me transferim.

Detyrat, Laboratorët dhe Kuizet

Një ulje e madhe e kursit të vjetër është se detyrat e programimit janë në Octave,që mund të jetë e arsyeshme në vitin 2011, por tani dhe në vitet e fundit, shumë studentë "u ankuan për këtë". dhe disa tashmë kanë "ribërë të gjitha detyrat" në python, duke siguruar një vlerësim automatik dhe dërgues në Coursera, e përdora vetë këtë repo dhe e pashë shumë të dobishme.

Specializimi i ri ofron të reja, të dorëzuara si Jupyter Notebooks, përmbajtja ndryshon nga shkrimi i kodit të pastër python dhe përdorimi i NumPypër të zbatuar algoritmet nga e para ose duke përdorur disa biblioteka si scikit-learn dhe TensorFlow.

Fletoret përmbajnë të gjithë informacionin e kërkuar në lidhje me ekuacionet, diagramet e vizatuara në leksione dhe vizualizimet e mahnitshme, dhe sigurisht, vlerësimin automatik dhe nivele të ndryshme sugjerimesh për secilin ushtrim.

përveç detyrave të programimit, ka shumë laboratorë opsionalë gjatë gjithë kursit në të cilët nuk shkruani asnjë kod: thjesht leximi i disa shënimeve dhe qelizat e kodit - të cilat mund t'ju kërkohet të bëni në detyra - dhe shumë vizualizime që mund të manipuloni veten duke ndryshuar parametrin apo edhe pikat e të dhënave.

Dhe së fundi, si kursi i vjetër, kishte shumë kuize në video dhe kuize pas mësimeve, një gjë që vura re se kuizet në specializimin e ri janë të lehta në krahasim me atë të vjetër, i cili ishte relativisht i ndërlikuar dhe ato ndryshojnë me çdo riprovim në kontrast me të renë.

A duhet të konsideroni marrjen e specializimit nëse keni ndjekur kursin e vjetër?

mendimi im është jo,nuk duhet. por, nëse dëshironi, mund të kontrolloni pjesët e reja dhe të fokusoheni te laboratorët, gjë që do të jetë shumë e mirë.

Nëse keni ndjekur disa nga kurset e vjetra, ju rekomandoj të filloni nga fillimi, t'i kaloni videot shpejt — nëse keni nevojë — të shikoni leksionet që diskutojnë kodet dhe të zgjidhni kuizet dhe laboratorët.

Këshilla të përgjithshme

  • Duhet të dini pak matematikë të shkollës së mesme dhe pak programim me Pythonpër të marrë specializimin,dhe më mirë të keni një ide rreth bibliotekës NumPy. >
  • nëse do të merrni specializimin për herë të parë, ose thjesht për freskim, përpiquni t'i bëni ushtrimet vetë dhe mos i kontrolloni menjëherë këshillat, ushtrimet janë të lehta dhe shumë të qarta.
  • Edhe pse videot e kursit janë të disponueshme dhe mund t'i rishikoni sa herë që dëshironi, unë preferoj të mbaj disa shënime vetëm për të kujtuar pikat kryesore të çdo teme.