Константин Лахман, руководитель отдела компьютерного зрения и рекомендаций в Яндексе, продолжает делиться полезными материалами по теме машинного обучения. Это вторая порция ⚙⚙
1. http://fast.ai
Подборка курсов по нейронным сетям, которую многие горячо хвалят — и не зря. Курс «Practical Deep Learning for Coders» отличается тем, что для начала изучения вам (правда) не требуется знать математику. Впрочем, надо обладать опытом разработки. В некотором смысле это «курс наоборот»: вам сначала объясняют все принципы очень приземлённо, а теория, которая их подкрепляет, даётся ближе к концу. У автора, Джереми Говарда, огромный опыт на платформе Kaggle, которую он однажды даже возглавил, и в построении ML-стартапов. Его ресурс fast.ai — одна из самых доступных входных точек в тему нейросетей для программистов.
2. https://www.deeplearningbook.org
Сейчас это без преувеличения главная книга специалиста в области deep learning — детальная, охватывающая все аспекты и содержащая большое количество необходимой теории. Местами сложная, не для начинающих. Издана в MIT. Первый автор — Ян Гудфеллоу, который в этом году стал директором по машинному обучению группы спецпроектов в Apple.
3. https://ru.coursera.org/specializations/machine-learn..
Я не просто пользуюсь случаем, чтобы напомнить о специализации Яндекса и Физтеха на Coursera. Мы действительно гордимся этими курсами. Специализация включает в себя пять курсов и, в финале, работу над собственным проектом. Среди преподавателей — мои коллеги, преподаватели ШАДа и Физтеха. Идеальная цель нашей специализации — сделать так, чтобы слушатель смог пройти собеседование на позицию ML-инженера того уровня, который соответствует его профессиональному опыту.
4. http://cs224n.stanford.edu
Большинство предыдущих ссылок вели на ресурсы по глубокому обучению «в общем смысле». Последние две будут про конкретные области применения технологий deep learning. Стэнфордский курс CS224N через множество лекций и сложных практических заданий обучает обработке естественного языка (Natural Language Processing, NLP). Например, лекторы разбирают архитектуры рекуррентных нейронных сетей, которые служат одной из ключевых технологий в NLP.
5. http://cs231n.stanford.edu
Список завершает ещё один замечательный курс Стэнфорда — по свёрточным нейронным сетям и другим темам, связанным с компьютерным зрением. Впрочем, вы узнаете не только о распознавании образов, но и о многих смежных областях, таких как обучение с подкреплением. Видеолекции на YouTube можно изучать не спеша.
