เพื่อเพิ่มคำแนะนำที่ดีเยี่ยมข้างต้นฉันจะบอกว่าถ้าคุณสนใจที่จะเข้าใจแนวคิดพื้นฐานเพิ่มเติมเกี่ยวกับความน่าจะเป็นและสถิติ "จากอัลกอริทึมถึง Z-Scores: ความน่าจะเป็นคอมพิวเตอร์ในสถิติ" เป็นไพรเมอร์ที่ยอดเยี่ยมสำหรับการใช้คอมพิวเตอร์ เข้าใจแนวคิดที่สำคัญที่สุดสำหรับผู้เริ่มต้น / กลางในทฤษฎีความน่าจะเป็นและกระบวนการสุ่ม ฉันจะสองด้วยเช่น "การแนะนำการเรียนรู้เชิงสถิติ" หรือ "องค์ประกอบของการเรียนรู้ทางสถิติ" (ESL) เพื่อเป็นการแนะนำการเรียนรู้ของเครื่อง (ML) ฉันคิดว่า ESL โดยเฉพาะนั้นน่าทึ่ง แต่มันก็ต้องใช้ความคิดทางคณิตศาสตร์ที่หนักหนากว่าแนวคิด ML ดังนั้นหากคุณพิจารณาตัวเองว่า "โอเค" ที่สถิติคุณอาจต้องการอ่านเมื่อคุณได้รับมากขึ้น ประสบการณ์กับ ML
หากคุณสนใจในการเรียนรู้ของเครื่องเพื่อประโยชน์ในการทำงานหรือการแก้ปัญหา แนะนำหลักสูตรวิทยาศาสตร์ข้อมูล / การเรียนรู้ของเครื่อง แอนดรูอึ้งไม่การแนะนำที่น่าตื่นตาตื่นใจกับกลไกการเรียนรู้ในหลักสูตรของเขาที่ Coursera ที่นี่ ฉันขอแนะนำให้คุณดาวน์โหลดชุดข้อมูลและเริ่มเล่นกับพวกเขา หากคุณยังไม่ได้ดาวน์โหลด R และ RStudio (ในความคิดของฉันเป็นมิตรกับผู้เริ่มต้นมากกว่า Python หรือ Matlab) และลงทะเบียนที่kaggleและทำปัญหาเบื้องต้นบางอย่างของพวกเขา พวกเขามีคำแนะนำที่ยอดเยี่ยมที่ช่วยให้คุณใช้ ML โดยที่ไม่รู้ว่าเกิดอะไรขึ้นจริง ๆ แต่มันให้ความคิดเกี่ยวกับขั้นตอนที่คุณต้องดำเนินการเพื่อใช้โซลูชัน ML อย่างแท้จริง
โดยส่วนตัวแล้วผมอยากแนะนำให้เริ่มต้นใช้เครื่องมือ ML โดยไม่รู้ตัวว่าทำอะไรอยู่ (ใช้ชุดข้อมูล Kaggle หรือคล้ายกัน) และการเรียนรู้แนวคิดพื้นฐานเช่น cross-validation, overfitting, การใช้เมทริกซ์ความสับสนมาตรการต่าง ๆ ของแบบจำลองที่ดีเป็นต้นสำหรับฉันมันสำคัญมากที่จะต้องรู้วิธีใช้อัลกอริทึมและรู้วิธีระบุว่าเมื่อใดที่ทำงาน / ไม่ทำงานมากกว่าที่จะเข้าใจวิธีการทำงานของอัลกอริทึม