Lernansätze können in die Prinzipien "wie man lehrt" und direkt "was man lehrt" unterteilt werden. Selbst mit einem guten Lehrplan („was zu lernen ist“) kann es zu wenig Erschöpfung kommen, wenn das Lernen nicht effektiv ist. Daher müssen Sie zunächst feststellen, welche Prinzipien wirksam sind.
Ich zitiere nur die Prinzipien, die ich selbst benutze, von den offensichtlichen bis zu denen, die viele kennen, aber nicht in der Selbstbildung anwenden, obwohl sie nicht weniger universell sind. Im Allgemeinen sind dies sehr allgemeine Prinzipien des Lernens, die ich leicht an die Besonderheiten des maschinellen Lernens angepasst und spezifische Beispiele angegeben habe.
Diese Prinzipien haben mir geholfen, relativ schnell von 1C zu einem Datenwissenschaftler zu wechseln und in zwei Jahren in Bezug auf Gehalt und Autonomie zum Unterzeichner aufzusteigen (Link zum vorherigen Artikel dazu).
Sie müssen die Essenz, Prinzipien und Konzepte, die Intuition verstehen. Versuchen Sie nicht, sich nur zu erinnern
"Wenn Sie einige Prinzipien kennen, müssen Sie nicht mehr viele Fakten kennen."
"Siehe an der Wurzel" (Kozma Prutkov)
In der Schule und am College wurden viele Opfer von Ansätzen, wenn es wichtig war, etwas auswendig zu lernen oder unwichtige Details zu kennen. Ich erinnere mich, wie erstaunt ich war, dass viele der führenden amerikanischen Professoren, die Kurse auf coursera.org unterrichten, versuchen, zunächst die Intuition verschiedener Ansätze, einschließlich vollständig mathematischer, zu erklären, anstatt die Formeln zu zeigen. In der Praxis müssen Sie häufig die genauen Formeln nicht kennen (oder Sie haben Zeit, sich an sie zu erinnern). Um jedoch die richtigen Entscheidungen zu treffen, müssen Sie die Prinzipien und die Logik, die hinter verschiedenen Ansätzen stehen, fest im Auge behalten.
Wenn Sie Mathematik, die Prinzipien verschiedener Algorithmen oder sogar einzelne Formeln studieren, ist es daher wichtig, sich darauf zu konzentrieren, die grundlegenden Dinge und Prinzipien hinter diesen Formeln zu verstehen und sie nicht auswendig zu lernen.
(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 ) , , .
: , .
Vielleicht telefonieren wir einmal und das reicht Ihnen. Aber ich bin hier, um bezahlte Kursprogramme zu ersetzen, indem ich Ihnen einen personalisierten Lehrplan zur Verfügung stelle und über die besten Bücher und Online-Kurse spreche und wie Sie sie kostenlos finden können. Das heißt, Sie können nicht nur effizienter, sondern auch billiger lernen. Ihr Versprechen reicht mir aus, dass Sie, wenn Sie das Ergebnis spüren, dafür bezahlen, wie Sie es für richtig halten.
self.development.mentor in der Domain gmail.com, Oleg