练习来学习编码#AI和#machinelearning
在本文中,我探讨了故意 实践的思想是否 可以应用于人工智能/
机器学习的编码教学
我正在伦敦的免费编码研讨会/聚会中探讨这些想法。
已经有一个等待名单。
明年,我们可能会举办更多的研讨会,具体取决于工作方式。
但是在这篇文章中,我概述了所使用的学习策略的基本原理
我从事数据科学教学已有几年了(牛津大学-物联网和在线数据科学)。多年来,我一直在努力改善教学方式,并将其他领域的思想融入我的教学中
一种这样的技术是 故意练习技术,该技术可能起源于前苏联来训练世界级运动员。故意练习还用于学习诸如拉小提琴之类的复杂技能,这需要掌握许多小步骤,然后将这些步骤组合成一个复杂的整体(如小提琴音乐会)
詹姆斯·克莱尔(James Clear)(我推荐他的著作)说到 故意 练习
刻意的 练习始终遵循相同的模式:将整个过程分解为多个部分,找出您的弱点,为每个部分测试新策略,然后将您的学习内容整合到整个过程中。
并提供例如
烹饪:小野次郎(Jiro Ono)是纪录片《次郎之梦》的主题,是东京的获奖寿司餐厅的厨师兼所有者。Jiro一生致力于完善制作寿司的艺术,他期望他的徒弟也能做到这一点。每个学徒必须一次掌握寿司制作过程中的一小部分-如何拧毛巾,如何用刀,如何切鱼等等。一名学徒在次郎(Jiro)的领导下接受了十年的培训,然后被允许煮鸡蛋。该过程的每一步都应格外小心地教。
认真 练习的步骤 基本上有 六个步骤:
1.积极主动;
2.设定具体,切合实际的目标;
3.脱离舒适区;
4.保持一致和持久;
5.寻求反馈;
6.花时间恢复
因此,问题是:我们可以将 故意的 实践应用于学习AI的编码吗?
要尝试此操作,我们将工作在小段代码中,您应该一点一点地掌握
我们将代码分为四个部分
1)熊猫,NumPy和MathPlotLib
2)数据操纵和特征工程
3)机器学习模型与验证·
4)
深度学习
每个主题都分为以下详细信息(子主题)
(请注意,代码本身取自公共领域以及Apache v2许可下的现有书籍)
熊猫,NumPy和MathPlotLib
·初始化NumPy数组
·创建NumPy数组
·NumPy数据类型
·字段访问
·基本切片
·高级索引
·数组数学:Sum函数,转置函数
·广播
·创建熊猫系列
·创建熊猫数据框
·读/写来自CSV,文本,Excel的
数据
·数据框上的基本统计数据·数据框上创建协方差·在数据框上
创建相关矩阵
·Concat或追加操作,合并,
联接数据框
·分组操作,数据框上的数据透视表·绘图,条形图,饼图等用于DataFrames
数据处理和特征工程
·将分类变量转换为数值
·归一化和缩放
·单变量分析
·熊猫数据框可视化
·多元分析
·相关矩阵
·配对图
·散点图
·查找离群点
·加载数据
·归一化数据
·将数据拆分为训练和测试
机器学习模型和验证·
线性回归
·线性回归模型精度矩阵
·多项式回归
·正则化
·非线性回归
·Logistic回归
·混淆矩阵
·曲线下面积
·欠拟合,右拟合和过拟合
·Logistic回归模型训练和评估
·广义线性模型
·决策树模型
·支持向量机(SVM)模型
·绘制SVM决策边界
·k最近邻模型
·k均值集群
深度学习·
sklearn感知代码
·训练MLP分类装载MNIST数据
·sklearn MLP分类
·伯努利RBM与分类
·与RBM + logistic回归网格搜索
·Keras MLP
·编译模型
·火车模型和评估
·降维使用的自动编码
·德自动编码器进行噪声消除
· Keras LSTM
·
欢迎留言
这种方法有意义吗?即我们是否能够在学习AI和机器学习的编码中使用故意实践的思想
更新
非常感谢您对此帖子的好评
我也收到了教育工作者的反馈
这是要添加的三个附加注释
a) 配对编程-配对编程有其优点和缺点, 但是它是一个结构化的学习环境,可以帮助对编码非常新的学习者
b) 了解全局-首先解释一些可行的示例,然后逐步进行非常小的练习,但又要与全局相关
c) 向教室中的老师学习-此处并非所有想法都适用,但许多可以使用的想法
1