Spis Treści
Kącik źródłowy jest miejscem, gdzie znajdują się źródła do nauki ML wraz z ich ewaluacjami przeprowadzonymi przez członków koła. Jest to w gruncie rzeczy lista źródeł do nauki dla osób, które chcą się nauczyć, ale szukają rekomendacji skąd czerpać wiedzę. Chętni członkowie, którzy są w takiej sytuacji, mogą jednocześnie przerabiać te źródła i je ewaluować, dzięki czemu mamy rzetelne informacje jak oceniają ten kurs osoby, które jeszcze tej wiedzy przed nim nie miały. Prezentowane niżej opinie są zanonimizowaną, skompresowaną i uśrednioną wartością ze wszystkich udzielonych ewaluacji. Jeśli chcesz zacząć swoją przygodę z ML'em, warto zerknąć na poniższe pozycje i zapoznać się z ich ewaluacjami. Jeśli chcesz coś przerobić, to będzie nam, całej społeczności, bardzo miło, jeśli podzielisz się z nami swoją ewaluacją. Wypełnienie ankiety ewaluacyjnej, która znajduje się na samym dole, zajmuje dosłownie kilka minut! ;)
Dla osób początkujących polecamy prezentację Krzysztofa Kowalczyka. Przedstawia ona w krótki sposób dziedzinę i możliwe do podjęcia w niej ścieżki. Prezentacja
Link
https://www.youtube.com/playlist?list=PLiaHhY2iBX9ihLasvE8BKnS2Xg8AhY6iV
Wymagania wstępne
- Brak
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 3/5 ★★★☆☆ |
| Jak bardzo kurs nastawiony był na teorię? | 3/5 ★★★☆☆ |
| Ostateczna ocena kursu | 6/10 ★★★★★★☆☆☆☆ |
Ogólna opinia
Jest ogólnym kursem, bardzo podstawowym, nie uczy implementowania sieci jednak tłumaczy podstawowe problemy w uczeniu maszynowym. Wprowadza również trochę do historii powstawania sieci, włącznie z powodami do powstawania danych rozwiązań ML-owych. Krótkie filmiki rozsądnie podzielone. Kod w tle pomaga zrozumieć temat i co autor miał na myśli. Przejście przez podstawowe metody, od brute-force aż po drzewa decyzyjne. Autor, prezentując kolejne metody, nie skacze po różnych problemach, tylko cały czas podchodzimy do tego samego zagadnienia, tylko różnymi sposobami. To pozwala bardzo szybko zauważyć różnice i zalety/wady podejść. Mało praktyki - kod w tle leciał, jednak służył bardziej za intuicyjne wsparcie - dobrze by było do każdego z tych tematów (albo chociaż/[przede wszystkim] drzew decyzyjnych jakieś zadania). Daje większe poczucie bezpieczeństwa w temacie, ale czasem faktycznie za wolno to szło i parę rzeczy mogłoby mieć mniej czasu antenowego.
Link
https://www.kaggle.com/learn/intro-to-machine-learning
Wymagania wstępne
- Podstawowa znajomość pythona
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 5/5 ★★★★★ |
| Jak bardzo kurs nastawiony był na teorię? | 1/5 ★☆☆☆☆ |
| Ostateczna ocena kursu | 6/10 ★★★★★★☆☆☆☆ |
Ogólna opinia
Kurs jest bardzo praktyczny. Warto go przerabiać jak się dobrze zrozumie podstawy takie jak m.in. drzewa decyzyjne. W tutorialu korzysta się z większości rzeczy jako z blackboxów. Jest zawsze trochę teorii, potem trochę praktyki. Mało tłumaczenia co, jak i dlaczego. Polecany, jeśli chce się zacząć coś kodzić.
Link
http://course18.fast.ai/ml.html
Wymagania wstępne
- Podstawowa znajomość pythona
- Mogą się przydać elementy rachunku prawdopodobieństwa
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 5/5 ★★★★★ |
| Jak bardzo kurs nastawiony był na teorię? | 3/5 ★★★☆☆ |
| Ostateczna ocena kursu | 8/10 ★★★★★★★★☆☆ |
Ogólna opinia
Bardzo długie źródło, kompletnie przeprowadzające przez wiele zagadnień klasycznego ML. Kurs jest bardzo praktyczny. Autor nie pomija też teorii, lecz ze względu na "notebookowy" charakter wykładu, można widzieć skierowanie się w strone praktyki. Podejście top-down w nauczaniu. Można nauczyć się o drzewach, interpretowaniu modeli, przydatnych praktykach przy pracy w Pythonie, podstaw machine learningu. Część o losowych drzewach była naprawdę wartościowa. Ta deep-learningowa wypada nieco gorzej. W kursie korzysta się z bliblioteki fast.ai, ze względu na dynamiczny jej rozwój mogą wystąpić problemy techniczne, wnet kurs należy bardziej potraktować jako wykład, ewentualnie implementować na boku w innych technologiach.
Link
Wymagania wstępne
- Brak
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 2/5 ★★☆☆☆ |
| Jak bardzo kurs nastawiony był na teorię? | 4/5 ★★★★☆ |
| Ostateczna ocena kursu | 8/10 ★★★★★★★★☆☆ |
Ogólna opinia
Kurs dobry jako pierwsza zajawka do ML-a. Zawiera on w sobie bardzo dużo wstępnych elementów takich jak filozofia i problemy moralne uczenia maszynowego. Jest też trochę historii na temat powstawania, razem z delikatnie zarysowanymi tematami z teorii gier. Nie uczy w ogóle implementacji żadnych sieci, jednak uczy paru podstaw jak na przykład: co to reguła Bayesa oraz na czym polega regresja liniowa. Główny nacisk jest jednak na doinformowanie typowego człowieka, czyli zwraca uwagę na społeczne implikacje wprowadzania sieci do codzienności, co mogą zrobić sieci neuronowe a czego nie, i tym podobne.
Link
https://www.youtube.com/playlist?list=PLfYUBJiXbdtSIJb-Qd3pw0cqCbkGeS0xn
Wymagania wstępne
- Analiza Matematyczna
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 1/5 ★☆☆☆☆ |
| Jak bardzo kurs nastawiony był na teorię? | 5/5 ★★★★★ |
| Ostateczna ocena kursu | 7/10 ★★★★★★★☆☆☆ |
Ogólna opinia
Zestaw kilku krótkich, aczkolwiek bardzo treściwych filmików wyjaśniających działanie zwykłych sieci neuronowych. Całość bardzo nastawione na matematykę. Zawiera githuba do sieci napisanej w pythonie do rozpoznawania pisanych cyfr, więc można na bieżąco patrzeć, o czym mowa w filmach. Kod na githubie nie jest jakiś przyjazny do eksperymentowania.
Link
https://www.youtube.com/playlist?list=PLfYUBJiXbdtSIJb-Qd3pw0cqCbkGeS0xn (2019)
https://www.youtube.com/watch?v=_QUEXsHfsA0 (2020)
Wymagania wstępne
- Podstawowa znajomość pythona
- Mogą się przydać elementy rachunku prawdopodobieństwa
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 5/5 ★★★★★ |
| Jak bardzo kurs nastawiony był na teorię? | 2/5 ★★☆☆☆ |
| Ostateczna ocena kursu | 7/10 ★★★★★★★☆☆☆ |
Ogólna opinia
Bardzo praktyczny kurs DL for beginners, nacisk na podstawowe zastosowania: image (CNN'y jako blackbox), text (jakieś fully connected i potem RNN, też właściwie blackbox), collab filtering, embeddingi, właściwie wszystkie najważniejsze, było coś tam o segmentation (U-net), jakieś przystępne wyjaśnienie czym jest GAN, ogólnie rozległa tematyka. Kod wysokopoziomowy w bibliotece fast.ai - nacisk na szybkie pisanie czegoś, co działa, podejście top-down jak w innych kursach Jeremiego, dość szybki reward z pisania kodu dla kogoś, kto dopiero zaczyna. Z plusów to też można szybko poznać najważniejsze zastosowania DL. Przekazywane jest sporo intuicji, ale (ze względu też na specyfikę kursu) dużym minusem jest bardzo blackboxowe wyjaśnianie tego, co się dzieje - Jeremy sam przyznaje, że trzeba obejrzeć niektóre fragmenty kilka razy, czasami warto doogoglać pewne informacje. Przy przechodzeniu kursu pomaga książka https://github.com/fastai/fastbook.
Link
http://introtodeeplearning.com
Wymagania wstępne
- Brak
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 4/5 ★★★★☆ |
| Jak bardzo kurs nastawiony był na teorię? | 5/5 ★★★★★ |
| Ostateczna ocena kursu | 10/10 ★★★★★★★★★★ |
Ogólna opinia Bardzo wartościowy kurs. Jeżeli ktoś chce wejść w zasadzie z zerowego poziomu na poziom, w którym rozumie, o co chodzi w sieciach neuronowych, to jest to bardzo solidne źródło nauki. Wykłady prowadzone w niesłychanie profesjonalny sposób. Tłumacząc jakieś zagadnienie, używają konkretnych przykładów, tłumaczą teorię, a następnie pokazują kod w Tensorflow, który realizuje koncepcję, przez co od razu wiadomo, jak takie sieci wyglądałyby. Wszystkie zagadnienia poruszane są tłumaczone w taki sposób, żeby było wszystko jasne, a dodatkowo oprócz wykładów są udostępnione Google Colaby, na "ćwiczenia" po wykładach, gdzie można było zastosować praktycznie wiedzę teoretyczną zdobytą na wykładach. Warto dodać, że wykłady realizują również osoby z firm takich jak NVIDIA, Google itp.
Link
https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-recurrent-neural-networks
Wymagania wstępne
- Podstawowa wiedza o strukturze i działaniu sieci neuronowych
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 1/5 ★☆☆☆☆ |
| Jak bardzo kurs nastawiony był na teorię? | 5/5 ★★★★★ |
| Ostateczna ocena kursu | 8/10 ★★★★★★★★☆☆ |
Ogólna opinia Cheatsheet, lecz dobry start w temacie RNN/przypominajka.
Link
https://blog.floydhub.com/a-beginners-guide-on-recurrent-neural-networks-with-pytorch/
Wymagania wstępne
- Podstawowa wiedza o strukturze NN
- Podstawy Pythona
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 3/5 ★★★☆☆ |
| Jak bardzo kurs nastawiony był na teorię? | 3/5 ★★★☆☆ |
| Ostateczna ocena kursu | 7/10 ★★★★★★★☆☆☆ |
Ogólna opinia Szybki start w temacie RNN i implementacji w Pytorchu.
Link
https://d2l.ai/chapter_recurrent-modern/gru.html
Wymagania wstępne
- Podstawowa wiedza o strukturze NN i RNN
- Podstawy Pythona
- Podstawy algebry liniowej
Gwiazdki
| Kategoria | Ocena |
|---|---|
| Jak bardzo kurs nastawiony był na praktykę? | 2/5 ★★☆☆☆ |
| Jak bardzo kurs nastawiony był na teorię? | 4/5 ★★★★☆ |
| Ostateczna ocena kursu | 7/10 ★★★★★★★☆☆☆ |
Ogólna opinia Dość dobre wytłumaczenie budowy i działania GRU.
Powyższe opinie są uśrednionym wynikiem ewaluacji dokonanych przez członków. Nie moglibyśmy posiadać takiego źródła bez zaangażowania zainteresowanych dzieleniem się swoimi ocenami ze społecznością. Jeśli przerabiasz jakieś źródło i chciałbyś się podzielić swoją ewaluację, prosimy o wypełnienie krótkiej ankiety ewaluacyjnej:
Ankieta