Los enfoques de aprendizaje se pueden dividir en los principios de "cómo enseñar" y directamente "qué enseñar". Incluso con un buen plan de estudios ("qué aprender"), puede terminar con poco agotamiento si aprende de manera ineficaz. Por lo tanto, primero debe determinar qué principios son efectivos.
Cito sólo los principios que yo mismo utilizo, que van desde los obvios y hasta los que muchos conocen pero no emplean en la autoeducación, aunque no son menos universales. En general, estos son principios muy generales para aprender algo, que adapté ligeramente a los detalles del aprendizaje automático e indiqué ejemplos específicos.
Estos principios me ayudaron a pasar relativamente rápido de 1C a científico de datos y en dos años a crecer al nivel de signatario, en términos de salario y autonomía (enlace al artículo anterior sobre esto)
Necesitas comprender la esencia, los principios y conceptos, la intuición. No trates de recordar
"Conocer algunos principios elimina la necesidad de conocer muchos hechos"
"He aquí la raíz" (Kozma Prutkov)
En la escuela y la universidad, muchos fueron víctimas de enfoques cuando era importante aprender algo de memoria o conocer algunos detalles sin importancia. Recuerdo lo asombrado que estaba de que muchos de los principales profesores estadounidenses que imparten cursos en coursera.org intentan primero explicar la intuición de diferentes enfoques, incluidos los completamente matemáticos, en lugar de mostrar las fórmulas. En la práctica, a menudo no necesitará conocer las fórmulas exactas (o tendrá tiempo para recordarlas). Pero para tomar las decisiones correctas, debe tener en cuenta los principios y la lógica que subyacen a los diferentes enfoques.
Por lo tanto, cuando estudias matemáticas, los principios de diferentes algoritmos, o incluso fórmulas individuales, es importante concentrarte en comprender las cosas y principios básicos detrás de estas fórmulas, y no en memorizarlas.
(Andrew Ng), , , . , ( ).
, :
, - ,
( )
-
"" -
. , , ,
, :
(log-odds), ,
log-likelihood: log? ,
. , ,
" - 10% 90% ". .
, . - . .
, , - , , - , .
:
: 2-3 . , . : . - -
: -. , , Python -, http://pythontutor.ru/
: - : -, - , , - : " , ?". - ! , , / - , . ( , , , ).
2-3 . .
: ,
, , . , - - .
, . , , , . , . , , . .
, :
machine learning data science , , . , / . ( .).
, , , . . (, )
, , , . /, , . " " - , , ( ), .
3- , /, : , , , .
" ", , , , . , Andrej Karpathy, Tesla, - , .
:
, ; , ; , , .
.
- , .
, - , ! , .
- . .
", : — , — !" (.).
- . , . : , " ", .. , . . , , .. , (: Andrej Karpathy ).
- ( ), , . . , , , , . , ( ).
:
" . . . , . - . . , .
. . , , , …"
- Explore/exploit trade-off.
, , :
- . - - , , . - , , (, , ). : (explore) , (exploit). , , : - , , .
, , . , , , - - - (, ).
, - , . :
, / . , / , , - . . , , , - , . , , , , (!), , , , , , , - ..
, , .
. . , , . , - . , ? . , udemy.com coursera.org. : , - . /. , , , " ".
, / 20% . , , .
- : !
, .
, , , . . (!) , .
data science, . , , / . , " ": " -, ".
. , . , .
, , anki ankidroid . , . , ankidroid bash. , , , . .
. , , data science, . ( .. ).
.
, ( 2 ) , , .
: , .
Quizás hablemos por teléfono una vez y esto será suficiente para ti. Pero estoy aquí para ayudar a reemplazar los programas de cursos pagados al brindarle un plan de estudios personalizado y hablar sobre los mejores libros y cursos en línea y cómo encontrarlos gratis. Es decir, puede aprender no solo de manera más eficiente, sino también más barata. Su promesa es suficiente para mí de que cuando sienta el resultado, lo pagará como mejor le parezca.
self.development.mentor en el dominio gmail.com, Oleg