আমি সম্ভাব্যতা তত্ত্ব, পরিমাপ তত্ত্ব এবং শেষ পর্যন্ত মেশিন লার্নিং সম্পর্কে শিখতে চাই। আমি কোথা থেকে শুরু করব? [বন্ধ]


9

আমি সম্ভাব্যতা তত্ত্ব, পরিমাপ তত্ত্ব এবং শেষ পর্যন্ত মেশিন লার্নিং সম্পর্কে শিখতে চাই। আমার চূড়ান্ত লক্ষ্য হ'ল মেশিন লার্নিংটি একটি সফ্টওয়্যারের অংশে ব্যবহার করা।

আমি ক্যালকুলাস এবং কলেজে খুব বুনিয়াদি সম্ভাবনা অধ্যয়ন করেছি তবে এটি যথেষ্ট পরিমাণে। আপনি কি কিছু অনলাইন কোর্স বা বই জানেন যা আমি এই বিষয়গুলি সম্পর্কে জানতে ব্যবহার করতে পারি। ওয়েবে আমি অনেক সংস্থান পেয়েছি তবে সেগুলি বিশেষজ্ঞ দর্শকদের জন্য লক্ষ্যযুক্ত বলে মনে হচ্ছে। আমি জানি এটি কিছু সময় নিতে চলেছে তবে আমি প্রথম থেকেই শিখতে চাইলে আমি কোথায় শুরু করব?



2
এই তিনটি প্রশ্ন @ জেনারাল দ্বারা তালিকাভুক্ত ডুপ্লিকেটগুলি দ্বারা বেশ ভালভাবে কভার করা আছে বলে মনে হচ্ছে।
whuber

উত্তর:


13

আমি মনে করি আপনার জন্য দুটি খুব ভাল এবং জনপ্রিয় রেফারেন্স রয়েছে (আমি এইগুলি দিয়ে শুরু করেছি পাশাপাশি বাস্তব বিজ্ঞানের ক্ষেত্রে মাস্টারের পটভূমি রয়েছে):

  1. গ্যারেথ জেমস, ড্যানিয়েলা উইটেন, ট্রেভর হাস্টি, রবার্ট তিবশিরানী দ্বারা স্ট্যাটিস্টিকাল লার্নিংয়ের (আর-এ প্রয়োগের সাথে) পরিচিতি। এটা অবাধে , সাইটে উপলব্ধ চমত্কার ব্যাপক এবং pratical উদাহরণ বুঝতে সহজ। খুব শক্তিশালী পরিসংখ্যান ব্যাকগ্রাউন্ড ছাড়াই আপনি অনেকগুলি জিনিস শিখতে শুরু করতে পারেন, এই প্রবন্ধটি বিভিন্ন প্রোফাইলের পক্ষে ভাল এবং এতে গাণিতিক বিবরণগুলির গভীরতায় না গিয়ে আর এর প্রয়োগের সাথে পর্যাপ্ত সংখ্যক জনপ্রিয় অ্যালগরিদমও রয়েছে includes

  2. ট্রেভর হ্যাসি, রবার্ট তিবশিরানী, জেরোম ফ্রেডম্যানের স্ট্যাটাসটিকাল লার্নিংয়ের উপাদানসমূহ । প্রথমটির তুলনায়, এই বইটি গাণিতিক দিকগুলির আরও গভীরতর হয় যদি আপনি আপনার জন্য দরকারী বলে মনে করেন এমন নির্দিষ্ট অ্যালগোরিদমগুলি সম্পর্কে আরও অনুসন্ধান করতে চান। ( পাশাপাশি বিনামূল্যে )

এবং অবশ্যই ক্রস যাচাই করা অন্যতম সেরা উত্স যেখানে আপনি আমার পক্ষে অনেক কিছু শিখতে পারেন: সেরা অভ্যাস, পরিসংখ্যানগত ভুল বোঝাবুঝি এবং অপব্যবহার এবং আরও অনেক কিছু। স্কুল / বিশ্ববিদ্যালয়গুলিতে বেশ কয়েকটি বছর ধরে শিফট-শিক্ষার পরেও আমি আবিষ্কার করেছি যে আমি যখন প্রথম ক্রস ভ্যালিডেটে গিয়েছিলাম তখন আমার জ্ঞান খুব সীমিত। আমি প্রথম দেখার পর থেকে প্রতিদিন এখানে যেতে এবং এত কিছু শিখি।


3
আপনি যদি এই উল্লেখগুলি পছন্দ করেন তবে স্ট্যানফোর্ডের অনলাইন কোর্সগুলিতে নজর রাখবেন তা নিশ্চিত করুন। টি হাসি এবং আর তিবশিরানী প্রায়শই মেশিন লার্নিং সম্পর্কিত কোর্স দেয়।
মার্সেল 10

আমি আর এর সাথে প্রয়োগের সাথে পরিসংখ্যানগত শিক্ষার প্রায় 20% পরিচিতি পড়েছি This এটি আমি যা খুঁজছিলাম ঠিক এটি is দুর্দান্ত বই এবং বুঝতে মোটামুটি সহজ। তোমাকে অনেক ধন্যবাদ! :)
সর্বাধিক

6

এখানে বেশ কয়েকটি নিখরচায় অনলাইন কোর্স রয়েছে যা আমি উচ্চ প্রস্তাবিত বলে শুনেছি:

  • http://projects.iq.harvard.edu/stat110/home (সম্ভাব্যতা তত্ত্বের সাথে আপনার বর্তমান স্বাচ্ছন্দ্যের উপর নির্ভর করে Dr. ড। ব্লিটজস্টেইন কোর্স হার্ভার্ডে খুব জনপ্রিয় হয়ে উঠেছে এমনকি তাদের পক্ষেও যারা স্ট্যাটাস / সম্ভাবনা ছিল না। আমি দেখেছি আমার নিজের পর্যালোচনার জন্য কয়েকটি বক্তৃতা এবং সেগুলি খুব সহায়ক বলে মনে হয়েছে))
  • https://www.coursera.org/learn/machine-learning (এটি সহ-প্রতিষ্ঠাতা কোর্সেরা শেষ হওয়া অ্যান্ড্রু এনজি দ্বারা স্ট্যানফোর্ডের প্রথম বিশাল অনলাইন কোর্সের একটি বর্তমান সংস্করণ। আমি এই কোর্সটি গ্রহণ করার অর্থ করছি , কিন্তু সময় পাননি))

5

আপনার পরিমাপ তত্ত্বের দরকার নেই। পরিমাপ তত্ত্ব গণিতবিদরা অন্যান্য গাণিতিক প্রক্রিয়াগুলির ন্যায়সঙ্গত করতে ব্যবহার করেন যেমন ইন্টিগ্রালের সীমাবদ্ধতার সীমাবদ্ধতা গ্রহণ করা। বেশিরভাগ প্রকৌশলী পরিমাপ তত্ত্ব অধ্যয়ন না করতেন, তারা কেবল ফলাফলগুলি ব্যবহার করতেন। এমএল-এর জন্য প্রয়োজনীয় গণিতের জ্ঞান প্রায়শই একটি মাল্টিভারিয়েট গাউসিয়াকে সংহত করতে সক্ষম হয়ে চিহ্নিত করা হয়- যদি আপনি এই বিষয়ে আত্মবিশ্বাসী হন তবে আপনার কাছে সম্ভবত মাল্টিভারিয়াল ক্যালকুলাস, লিনিয়ার বীজগণিত এবং সম্ভাব্য তত্ত্বের ব্যাকগ্রাউন্ড প্রয়োজনীয়।

আমি অ্যালেন ডাউনির থিংস স্ট্যাটাসের পরামর্শ দেব - যার উদ্দেশ্য প্রোগ্রামারদের সম্ভাবনা / পরিসংখ্যান শেখানো। ধারণাটি হ'ল সিমুলেশনগুলি করতে প্রোগ্রামিং দক্ষতা অর্জন করা এবং তাই সম্ভাব্যতা তত্ত্ব / পরিসংখ্যান পদ্ধতিগুলি বোঝা। অ্যালেন ডাউনএ ব্লগ (তিনি অন্যদের লিখেছেন) থিংস স্ট্যাটাস (ফ্রি) পিডিএফ )


4
পরিমাপ তত্ত্ব অবিচ্ছিন্ন সময় স্টোকাস্টিক প্রক্রিয়াগুলিতে দরকারী। প্রকৃতপক্ষে, অবিচ্ছিন্ন সময় অর্থের প্রতিটি সম্পদ (সম্পত্তির মূল্য) নিম্নলিখিত প্রার্থনা দিয়ে শুরু হয়(এফ,Ω,পি)
আকসকল

@ আকসাল শুধু আমার মতে ধারাবাহিক প্রক্রিয়া নয়!
মেট্রিয়েট

5

আপনি যেহেতু মেশিন লার্নিংয়ে আগ্রহী তাই আমি সম্ভাব্যতা এবং পরিমাপ ছাড়তে এবং সরাসরি এমএলটিতে ঝাঁপিয়ে পড়তাম। অ্যান্ড্রু এনগের কোর্স ই শুরু করার দুর্দান্ত জায়গা। আপনি আক্ষরিকভাবে এটি দুই সপ্তাহের মধ্যে শেষ করতে পারেন।

আপনি কয়েক সপ্তাহ যা শিখেছেন তার সাথে খেলুন, তারপরে শিকড়গুলিতে ফিরে যান এবং কিছু সম্ভাবনাগুলি অধ্যয়ন করেন। আপনি যদি প্রকৌশলী হন তবে আপনি কীভাবে কলেজে যেতে পারবেন তা নিয়ে আমি আশ্চর্য হই। এটি ইঞ্জিনিয়ারিংয়ের প্রয়োজনীয় কোর্স করত। যাইহোক, আপনি এখানে এমআইটি ওসিডাব্লু কোর্স করে ধরতে পারবেন ।

আমি মনে করি না আপনার পরিমাপের তত্ত্বের প্রয়োজন। কারও পরিমাপ তত্ত্বের প্রয়োজন নেই। যাঁরা করেন, তাঁরা এখানে জিজ্ঞাসা করতে আসবেন না, কারণ তাদের পরামর্শদাতারা তাদের বলবেন কোন কোর্সটি গ্রহণ করা উচিত। আপনার যদি পরামর্শদাতা না থাকে তবে আপনার অবশ্যই এটির দরকার নেই। টোটোলজি, তবে সত্য।

একটি পরিমাপ তত্ত্বের জিনিসটি হ'ল আপনি "সহজ পড়া" দ্বারা এটি শিখতে পারবেন না। আপনার অবশ্যই ব্যায়াম এবং সমস্যাগুলি করতে হবে, মূলত, এটি হার্ড উপায়ে করুন। আমার মতে এটি ক্লাস রুমের বাইরে কার্যত অসম্ভব। এখানে সর্বোত্তম বিকল্পটি হ'ল স্থানীয় কলেজে একটি ক্লাস নেওয়া, যদি তারা এমন অফার করে। কখনও কখনও, পিএইচডি স্তরের সম্ভাব্যতা কোর্স এক শ্রেণিতে পরিমাপ এবং সম্ভাবনাগুলি করবে, যা সম্ভবত সেরা চুক্তি। আমি গণিত বিভাগে খাঁটি পরিমাপ তত্ত্বের ক্লাস নেওয়ার পরামর্শ দেব না, যদি না আপনি সত্যিই নিজেকে নির্যাতন করতে চান, যদিও শেষ পর্যন্ত আপনি প্রচুর সন্তুষ্ট হন।


2

মেশিন লার্নিংয়ের জন্য, আমি মেশিন লার্নিং মনে করি : পিটার ফ্ল্যাচের মাধ্যমে ডেটা সেন্স অব ডেটা তৈরি করে এমন আলগোরিদিমগুলির আর্ট এবং সায়েন্স শুরু করা ভাল উত্স হতে পারে। এটি স্বজ্ঞাত উদাহরণ সহ মেশিন লার্নিংয়ের একটি সাধারণ পরিচিতি দেয় এবং নতুনদের জন্য উপযুক্ত। আমি এই বইটি বিশেষত শেষ অধ্যায়টির কারণে পছন্দ করি, যা মেশিন লার্নিং পরীক্ষাগুলি নিয়ে কাজ করে। মেশিন লার্নিং সম্পর্কে শিখার সময় বিভিন্ন মডেল সম্পর্কে জানার পক্ষে পর্যাপ্ত নয় এবং একটি আলাদা মেশিন লার্নিং অ্যালগরিদমের সাথে তুলনা করতে সক্ষম হওয়া উচিত। আমি মনে করি এই বইটি কীভাবে এই অ্যালগোরিদমগুলির তুলনা করতে পারে তা বোঝা সহজ করে তুলেছে। বক্তৃতা স্লাইড এখানে পাওয়া যাবে


2

উপরের চমৎকার পরামর্শগুলিতে যুক্ত করার জন্য, আমি বলব আপনি যদি সম্ভাবনা এবং পরিসংখ্যান সম্পর্কিত আরও বেসিক ধারণাগুলি সম্পর্কে দৃ gra় উপলব্ধি করতে আগ্রহী হন তবে "অ্যালগোরিদম থেকে জেড-স্কোরস: স্ট্যাটিস্টিক্সে প্রব্যাবিলিস্টিক কম্পিউটিং" কম্পিউটার ব্যবহারের জন্য একটি দুর্দান্ত প্রাইমার সম্ভাব্যতা তত্ত্ব এবং স্টোকাস্টিক প্রক্রিয়াগুলির মধ্যে সবচেয়ে গুরুত্বপূর্ণ শিক্ষানবিশ / মধ্যবর্তী ধারণা সম্পর্কে কিছু বুঝুন। আমি মেশিন লার্নিংয়ের (এমএল) ভূমিকা হিসাবে "স্ট্যাটাসটিকাল লার্নিংয়ের একটি ভূমিকা" বা "স্ট্যাটিস্টিকাল লার্নিংয়ের উপাদানগুলি (ইএসএল)" কেও দ্বিতীয় করব। আমি মনে করি বিশেষত ESL আশ্চর্যজনক, তবে এটি এমএল ধারণাগুলিতে আরও বেশি গণিত-ভারী নজর রাখে, সুতরাং যদি আপনি কেবল পরিসংখ্যানগুলিতে নিজেকে "ঠিক" বলে বিবেচনা করেন, আপনি আরও একবার অর্জন করার পরে আপনি এটি পড়তে চাইতে পারেন এমএল সঙ্গে অভিজ্ঞতা।

আপনি যদি নিযুক্ত হওয়া বা সমস্যা সমাধানের স্বার্থে মেশিন লার্নিংয়ে আগ্রহী হন, তবে অভিজ্ঞতার হাতছাড়া হওয়া মূল বিষয়। ডেটা সায়েন্স / মেশিন লার্নিং কোর্সগুলির জন্য কিছু ভূমিকা নিন। অ্যান্ড্রু এনজি এখানে কোর্সেরাতে তাঁর কোর্সে মেশিন লার্নিংয়ের একটি আশ্চর্য পরিচয় দিয়েছেন । আমি আপনাকে কিছু ডেটাসেট ডাউনলোড করার এবং সেগুলির সাথে চারপাশে খেলা শুরু করার পরামর্শ দিচ্ছি। যদি আপনি ইতিমধ্যে না পেয়ে থাকেন তবে আর এবং আরস্টুডিও (আমার মতে পাইথন বা মতলবের তুলনায় প্রাথমিকের তুলনায় আরও বন্ধুত্বপূর্ণ) ডাউনলোড করুন এবং কাগল- এ সাইন আপ করুন এবং তাদের কিছু প্রাথমিক সমস্যাগুলি করুন। তাদের দুর্দান্ত ওয়থথ্রু রয়েছে যা আপনাকে এমএল ব্যবহার করতে পারে যা মূলত কী ঘটছে তা নিয়ে কোনও ধারণা ছাড়াই, তবে এটি আপনাকে এমএল সমাধান বাস্তবায়নের জন্য আপনাকে কী ধরণের পদক্ষেপ নিতে হবে তা সম্পর্কে ধারণা দেয়।

আমি ব্যক্তিগতভাবে তারা কী করে তা না জেনে এমএল সরঞ্জামগুলি ব্যবহার শুরু করার সংমিশ্রণকে ব্যক্তিগতভাবে উত্সাহিত করতাম (কাগল ডেটাসেটগুলি বা অনুরূপ ব্যবহার করে); এবং ক্রস-বৈধকরণ, ওভারফিটিং, কনফিউশন ম্যাট্রিক্স ব্যবহার করা, মডেলটি কতটা ভাল, তার বিভিন্ন ব্যবস্থা ইত্যাদির মতো মৌলিক ধারণাগুলি শিখতে আমার কাছে, অ্যালগরিদমগুলি কীভাবে ব্যবহার করতে হয় তা এবং জিনিসগুলি কখন কাজ করছে তা চিহ্নিতকরণ কীভাবে তা জানা আরও গুরুত্বপূর্ণ much / অ্যালগোরিদমগুলি কীভাবে কাজ করে তা বোঝার চেয়ে আপনি কাজ করছেন না।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.