Afbeelding gegenereerd met DALLE-3
Het beheersen van machine learning (ML) lijkt misschien overweldigend, maar met de juiste middelen kan het veel beter beheersbaar zijn. GitHub, het veelgebruikte codehostingplatform, herbergt talloze waardevolle opslagplaatsen waar leerlingen en praktijkmensen op alle niveaus van kunnen profiteren. In dit artikel bespreken we 10 essentiële GitHub-opslagplaatsen die een scala aan bronnen bieden, van beginnersvriendelijke tutorials tot geavanceerde machine learning-tools.
repository: microsoft/ML-voor-beginners
Dit uitgebreide programma van 12 weken biedt 26 lessen en 52 quizzen, waardoor het een ideaal startpunt is voor nieuwkomers. Het dient als startpunt voor mensen zonder voorafgaande ervaring met machinaal leren en streeft ernaar kerncompetenties op te bouwen met behulp van Scikit-learn en Python.
Elke les bevat aanvullend materiaal, waaronder pre- en post-quizzen, schriftelijke instructies, oplossingen, opdrachten en andere bronnen als aanvulling op de praktische activiteiten.
repository: dair-ai/ML-YouTube-cursussen
Deze GitHub-repository dient als een samengestelde index van hoogwaardige machine learning-cursussen die op YouTube worden gehost. Door links naar verschillende ML-tutorials, lezingen en educatieve series op één centrale locatie te verzamelen van aanbieders als Clatech, Stanford en MIT, maakt de repository het voor geïnteresseerde studenten gemakkelijker om op video gebaseerde ML-inhoud te vinden die aan hun behoeften voldoet.
Het is de enige opslagplaats die je nodig hebt als je dingen gratis en in je eigen tijd probeert te leren.
repository: mml-book/mml-book.github.io
Wiskunde is de ruggengraat van machine learning, en deze repository dient als begeleidende webpagina bij het boek ‘Mathematics For Machine Learning’. Het boek motiveert lezers om wiskundige concepten te leren die nodig zijn voor machinaal leren. De auteurs streven ernaar de noodzakelijke wiskundige vaardigheden aan te bieden om geavanceerde machine learning-technieken te begrijpen, in plaats van de technieken zelf te behandelen.
Het omvat lineaire algebra, analytische meetkunde, matrixdecomposities, vectorrekening, waarschijnlijkheid, distributie, continue optimalisatie, lineaire regressie, PCA, Gaussiaanse mengselmodellen en SVM's.
repository: janishar/mit-deep-learning-book-pdf
Het Deep Learning-leerboek is een uitgebreide hulpbron die bedoeld is om studenten en praktijkmensen te helpen het veld van machine learning te betreden, met name deep learning. Het boek, gepubliceerd in 2016, biedt een theoretische en praktische basis voor de machine learning-technieken die de recente vooruitgang op het gebied van kunstmatige intelligentie hebben aangestuurd.
De online versie van het MIT Deep Learning Book is nu compleet en blijft gratis online beschikbaar, wat een waardevolle bijdrage levert aan de democratisering van AI-onderwijs.
Het boek behandelt een breed scala aan diepgaande onderwerpen, waaronder diepe feedforward-netwerken, regularisatie, optimalisatie-algoritmen, convolutionele netwerken, sequentiemodellering en praktische methodologie.
repository: DataTalksClub/machine-learning-zoomcamp
Machine Learning ZoomCamp is een gratis online bootcamp van vier maanden die een uitgebreide introductie biedt tot machine learning-engineering. Dit programma is ideaal voor mensen die serieus bezig zijn met het bevorderen van hun carrière en begeleidt studenten bij het bouwen van real-world machine learning-projecten, waarbij fundamentele concepten worden behandeld zoals regressie, classificatie, evaluatiestatistieken, het inzetten van modellen, beslissingsbomen, neurale netwerken, Kubernetes en TensorFlow Serving.
Tijdens de cursus zullen de deelnemers praktische ervaring opdoen op gebieden als deep learning, serverloze modelimplementatie en ensembletechnieken. Het curriculum culmineert in twee sluitstukprojecten waarmee studenten hun nieuw ontwikkelde vaardigheden kunnen demonstreren.
repository: ujjwalkarn/Machine-Learning-tutorials
Deze repository is een verzameling tutorials, artikelen en andere bronnen over machine learning en deep learning. Het bestrijkt een breed scala aan onderwerpen, zoals Quora, blogs, interviews, Kaggle-wedstrijden, spiekbriefjes, deep learning-frameworks, natuurlijke taalverwerking, computervisie, verschillende machine learning-algoritmen en ensembletechnieken.
De bron is ontworpen om zowel theoretische als praktische kennis te bieden met codevoorbeelden en gebruikscasusbeschrijvingen. Het is een alomvattend leermiddel dat een veelzijdige aanpak biedt om kennis te maken met het machine learning-landschap.
repository: josephmisiti/awesome-machine-learning
Awesome Machine Learning is een samengestelde lijst van geweldige machine learning-frameworks, bibliotheken en software die perfect is voor mensen die verschillende tools en technologieën in het veld willen verkennen. Het omvat tools in een reeks programmeertalen, van C++ tot Go, die verder zijn onderverdeeld in verschillende machine learning-categorieën, waaronder computervisie, versterkend leren, neurale netwerken en machinaal leren voor algemene doeleinden.
Awesome Machine Learning is een uitgebreide hulpbron voor beoefenaars en enthousiastelingen van machine learning, die alles omvat, van gegevensverwerking en modellering tot modelimplementatie en productie. Het platform maakt een eenvoudige vergelijking van verschillende opties mogelijk, zodat gebruikers de beste oplossing voor hun specifieke projecten en doelen kunnen vinden. Bovendien blijft de repository up-to-date met de nieuwste en beste machine learning-software in verschillende programmeertalen, dankzij bijdragen van de community.
repository: afshinea/stanford-cs-229-machine-learning
Deze repository biedt beknopte referenties en opfriscursussen over machine learning-concepten die worden behandeld in de CS 229-cursus van Stanford. Het heeft tot doel alle belangrijke begrippen te consolideren in VIP-spiekbriefjes die belangrijke onderwerpen bestrijken, zoals leren onder toezicht, leren zonder toezicht en diep leren. De repository bevat ook VIP-opfriscursussen die de vereisten op het gebied van waarschijnlijkheid, statistiek, algebra en calculus belichten. Bovendien is er een super VIP-spiekbriefje dat al deze concepten samenvoegt tot één ultieme referentie die leerlingen gemakkelijk bij de hand kunnen hebben.
Door deze kernpunten, definities en technische concepten samen te brengen, is het doel om leerlingen te helpen de machine learning-onderwerpen in CS 229 grondig te begrijpen. De spiekbriefjes maken het mogelijk om de essentiële concepten uit lezingen en leerboekmateriaal samen te vatten in verkorte referenties voor technische interviews.
repository: khangich/machine-learning-interview
Het biedt een uitgebreide studiegids en hulpmiddelen voor de voorbereiding op machine learning engineering en data science-interviews bij grote technologiebedrijven zoals Facebook, Amazon, Apple, Google, Microsoft, enz.
Belangrijkste onderwerpen:
- LeetCode-vragen gecategoriseerd op type (SQL, programmeren, statistieken).
- ML-fundamentals zoals logistische regressie, KMeans, neurale netwerken.
- Diepgaande leerconcepten, van activeringsfuncties tot RNN's.
- ML-systeemontwerp inclusief papieren over technische schulden en regels van ML
- Klassieke ML-papers om te lezen.
- ML-productie-uitdagingen zoals schaalvergroting bij Uber en DL in productie
- Veel voorkomende interviewvragen bij het ontwerpen van ML-systemen, zoals video-/feedaanbevelingen, fraudedetectie.
- Voorbeeldoplossingen en architecturen voor YouTube, Instagram-aanbevelingen.
De gids bundelt materialen van topexperts zoals Andrew Ng en bevat echte interviewvragen die bij topbedrijven worden gesteld. Het is bedoeld om het studieplan te bieden om ML-interviews bij verschillende grote technologiebedrijven te verbeteren.
repository: EthischeML/geweldige productie-machine-learning
Deze repository biedt een samengestelde lijst met open source-bibliotheken waarmee u machine learning-modellen in productieomgevingen kunt implementeren, monitoren, versies maken, schalen en beveiligen. Het behandelt verschillende aspecten van machinaal leren in de productie, waaronder:
- Uitleg van voorspellingen en modellen
- Privacybehoudende ML
- Versiebeheer van modellen en gegevens
- Modeltrainingorkestratie
- Modelbediening en monitoring
- AutoML
- Gegevenspijplijn
- Gegevenslabels
- Metadatabeheer
- Berekeningsdistributie
- Serialisatie van modellen
- Geoptimaliseerde berekening
- Gegevensstroomverwerking
- Detectie van uitschieters en afwijkingen
- Functie winkel
- Tegenstrijdige robuustheid
- Optimalisatie van gegevensopslag
- Data Science-notitieboekje
- Neurale zoektocht
- En meer.
Of je nu een beginner of een ervaren ML-beoefenaar bent, deze GitHub-repository's bieden een schat aan kennis en bronnen om je begrip en vaardigheden op het gebied van machine learning te verdiepen. Van fundamentele wiskunde tot geavanceerde technieken en praktische toepassingen: deze repository's zijn essentiële hulpmiddelen voor iedereen die machine learning serieus wil beheersen.
Abid Ali Awan (@1abidaliawan) is een gecertificeerde datawetenschapper-professional die dol is op het bouwen van machine learning-modellen. Momenteel richt hij zich op het creëren van content en het schrijven van technische blogs over machine learning en data science-technologieën. Abid heeft een Master in Technologie Management en een Bachelor in Telecommunicatie Engineering. Zijn visie is om een AI-product te bouwen met behulp van een grafisch neuraal netwerk voor studenten die worstelen met een psychische aandoening.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://www.kdnuggets.com/10-github-repositories-to-master-machine-learning?utm_source=rss&utm_medium=rss&utm_campaign=10-github-repositories-to-master-machine-learning
