Hình ảnh được tạo bằng DALLE-3
Việc thành thạo máy học (ML) có vẻ quá sức nhưng với nguồn lực phù hợp, việc này có thể dễ quản lý hơn nhiều. GitHub, nền tảng lưu trữ mã được sử dụng rộng rãi, là nơi chứa nhiều kho lưu trữ có giá trị có thể mang lại lợi ích cho người học và người thực hành ở mọi cấp độ. Trong bài viết này, chúng tôi xem xét 10 kho lưu trữ GitHub thiết yếu cung cấp nhiều loại tài nguyên, từ hướng dẫn thân thiện với người mới bắt đầu đến các công cụ học máy nâng cao.
Kho: microsoft/ML-Dành cho người mới bắt đầu
Chương trình toàn diện kéo dài 12 tuần này cung cấp 26 bài học và 52 câu hỏi, khiến nó trở thành điểm khởi đầu lý tưởng cho những người mới bắt đầu. Nó đóng vai trò là điểm khởi đầu cho những người chưa có kinh nghiệm trước đó về học máy và mong muốn xây dựng năng lực cốt lõi bằng cách sử dụng Scikit-learn và Python.
Mỗi bài học đều có các tài liệu bổ sung bao gồm các câu hỏi trước và sau, hướng dẫn bằng văn bản, giải pháp, bài tập và các tài nguyên khác để bổ sung cho các hoạt động thực hành.
Kho: dair-ai/ML-YouTube-Khóa học
Kho lưu trữ GitHub này đóng vai trò là chỉ mục tuyển chọn về các khóa học máy học chất lượng được lưu trữ trên YouTube. Bằng cách thu thập các liên kết đến các hướng dẫn, bài giảng và chuỗi giáo dục ML khác nhau vào một vị trí tập trung từ các nhà cung cấp như Clatech, Stanford và MIT, repo giúp những người học quan tâm dễ dàng tìm thấy nội dung ML dựa trên video đáp ứng nhu cầu của họ.
Đây là kho lưu trữ duy nhất bạn cần nếu bạn đang cố gắng học mọi thứ miễn phí và vào thời gian riêng của mình.
Kho: mml-book/mml-book.github.io
Toán học là xương sống của học máy và kho lưu trữ này đóng vai trò là trang web đồng hành với cuốn sách “Toán học cho học máy”. Cuốn sách thúc đẩy người đọc tìm hiểu các khái niệm toán học cần thiết cho học máy. Các tác giả mong muốn cung cấp các kỹ năng toán học cần thiết để hiểu các kỹ thuật học máy tiên tiến, thay vì chỉ đề cập đến các kỹ thuật đó.
Nó bao gồm đại số tuyến tính, hình học giải tích, phân rã ma trận, tính toán vectơ, xác suất, phân phối, tối ưu hóa liên tục, hồi quy tuyến tính, PCA, mô hình hỗn hợp Gaussian và SVM.
Kho: janishar/mit-deep-learning-book-pdf
Sách giáo khoa Deep Learning là một nguồn tài nguyên toàn diện nhằm giúp sinh viên và những người thực hành bước vào lĩnh vực học máy, đặc biệt là học sâu. Được xuất bản vào năm 2016, cuốn sách cung cấp nền tảng lý thuyết và thực tiễn về các kỹ thuật học máy đã thúc đẩy những tiến bộ gần đây trong trí tuệ nhân tạo.
Phiên bản trực tuyến của Sách học sâu của MIT hiện đã hoàn tất và sẽ vẫn được cung cấp miễn phí trực tuyến, mang lại đóng góp có giá trị cho quá trình dân chủ hóa giáo dục AI.
Cuốn sách bao gồm nhiều chủ đề chuyên sâu, bao gồm mạng chuyển tiếp sâu, chính quy hóa, thuật toán tối ưu hóa, mạng tích chập, mô hình trình tự và phương pháp thực tế.
Kho: DataTalksClub/machine-learning-zoomcamp
Machine Learning ZoomCamp là chương trình đào tạo trực tuyến miễn phí kéo dài bốn tháng cung cấp phần giới thiệu toàn diện về kỹ thuật học máy. Lý tưởng cho những người nghiêm túc trong việc thăng tiến nghề nghiệp, chương trình này hướng dẫn sinh viên xây dựng các dự án máy học trong thế giới thực, bao gồm các khái niệm cơ bản như hồi quy, phân loại, số liệu đánh giá, mô hình triển khai, cây quyết định, mạng lưới thần kinh, Kubernetes và TensorFlow Serve.
Trong khóa học, những người tham gia sẽ có được trải nghiệm thực tế trong các lĩnh vực như học sâu, triển khai mô hình không có máy chủ và kỹ thuật tổng hợp. Chương trình giảng dạy đạt đến đỉnh cao với hai dự án capstone cho phép học sinh thể hiện các kỹ năng mới phát triển của mình.
Kho: ujjwalkarn/Hướng dẫn học máy
Kho lưu trữ này là tập hợp các hướng dẫn, bài viết và các tài nguyên khác về học máy và học sâu. Nó bao gồm nhiều chủ đề như Quora, blog, phỏng vấn, cuộc thi Kaggle, bảng cheat, khung học sâu, xử lý ngôn ngữ tự nhiên, thị giác máy tính, các thuật toán học máy khác nhau và kỹ thuật tổng hợp.
Tài nguyên này được thiết kế để cung cấp cả kiến thức lý thuyết và thực tiễn cùng với các ví dụ mã và mô tả trường hợp sử dụng. Nó là một công cụ học tập toàn diện cung cấp cách tiếp cận nhiều mặt để tiếp xúc với bối cảnh học máy.
Kho: josephmisiti/tuyệt vời-máy học
Awesome Machine Learning là danh sách tuyển chọn các framework, thư viện và phần mềm tuyệt vời về machine learning, hoàn hảo cho những ai muốn khám phá các công cụ và công nghệ khác nhau trong lĩnh vực này. Nó bao gồm các công cụ trên nhiều ngôn ngữ lập trình từ C++ đến Go, được chia thành nhiều danh mục máy học khác nhau bao gồm thị giác máy tính, học tăng cường, mạng lưới thần kinh và học máy có mục đích chung.
Awesome Machine Learning là một nguồn tài nguyên toàn diện dành cho những người thực hành và những người đam mê học máy, bao gồm mọi thứ từ xử lý và lập mô hình dữ liệu đến triển khai và sản xuất mô hình. Nền tảng này tạo điều kiện dễ dàng so sánh các tùy chọn khác nhau để giúp người dùng tìm thấy lựa chọn phù hợp nhất cho các dự án và mục tiêu cụ thể của họ. Ngoài ra, kho lưu trữ vẫn cập nhật phần mềm máy học mới nhất và tốt nhất trên nhiều ngôn ngữ lập trình khác nhau nhờ sự đóng góp của cộng đồng.
Kho: afshinea/stanford-cs-229-máy học
Kho lưu trữ này cung cấp các tài liệu tham khảo cô đọng và cung cấp thông tin cập nhật về các khái niệm máy học được đề cập trong khóa học CS 229 của Stanford. Nó nhằm mục đích hợp nhất tất cả các khái niệm quan trọng vào các bảng cheat VIP bao gồm các chủ đề chính như học có giám sát, học không giám sát và học sâu. Kho lưu trữ cũng chứa các phần cập nhật VIP nêu bật các điều kiện tiên quyết về xác suất, thống kê, đại số và phép tính. Ngoài ra, còn có một bảng tính siêu VIP tổng hợp tất cả các khái niệm này thành một tài liệu tham khảo cơ bản mà người học có thể dễ dàng có trong tay.
Bằng cách tập hợp các điểm, định nghĩa và khái niệm kỹ thuật chính này, mục tiêu là giúp người học nắm bắt triệt để các chủ đề học máy trong CS 229. Các bảng ghi chú cho phép tóm tắt các khái niệm quan trọng từ bài giảng và tài liệu sách giáo khoa thành tài liệu tham khảo cô đọng cho cuộc phỏng vấn kỹ thuật.
Kho: khanich/machine-learning-phỏng vấn
Nó cung cấp hướng dẫn nghiên cứu toàn diện và các tài nguyên để chuẩn bị cho các cuộc phỏng vấn về kỹ thuật học máy và khoa học dữ liệu tại các công ty công nghệ lớn như Facebook, Amazon, Apple, Google, Microsoft, v.v.
Các chủ đề chính bao gồm:
- Các câu hỏi LeetCode được phân loại theo loại (SQL, lập trình, thống kê).
- Các nguyên tắc cơ bản về ML như hồi quy logistic, KMeans, mạng lưới thần kinh.
- Các khái niệm học sâu từ hàm kích hoạt đến RNN.
- Thiết kế hệ thống ML bao gồm các tài liệu về nợ kỹ thuật và các quy tắc của ML
- Các bài viết ML cổ điển để đọc.
- Những thách thức trong sản xuất ML như mở rộng quy mô tại Uber và DL trong sản xuất
- Các câu hỏi phỏng vấn thiết kế hệ thống ML phổ biến, ví dụ như đề xuất video/nguồn cấp dữ liệu, phát hiện gian lận.
- Các giải pháp và kiến trúc mẫu cho đề xuất trên YouTube, Instagram.
Hướng dẫn tổng hợp tài liệu từ các chuyên gia hàng đầu như Andrew Ng và bao gồm các câu hỏi phỏng vấn thực tế được hỏi tại các công ty hàng đầu. Nó nhằm mục đích cung cấp kế hoạch nghiên cứu để thực hiện các cuộc phỏng vấn ML giữa các công ty công nghệ lớn khác nhau.
Kho: EthicalML/awesome-sản xuất-máy-học
Kho lưu trữ này cung cấp danh sách các thư viện nguồn mở được tuyển chọn để giúp triển khai, giám sát, phiên bản, mở rộng quy mô và bảo mật các mô hình machine learning trong môi trường sản xuất. Nó bao gồm các khía cạnh khác nhau của học máy sản xuất bao gồm:
- Giải thích dự đoán & mô hình
- ML bảo vệ quyền riêng tư
- Phiên bản mô hình và dữ liệu
- Dàn nhạc đào tạo mẫu
- Phục vụ & Giám sát Mô hình
- Tự động
- Đường ống dữ liệu
- Ghi nhãn dữ liệu
- Quản lý siêu dữ liệu
- Phân phối tính toán
- Tuần tự hóa mô hình
- Tính toán tối ưu
- Xử lý luồng dữ liệu
- Phát hiện ngoại lệ và bất thường
- Cửa hàng tính năng
- Sự mạnh mẽ của đối thủ
- Tối ưu hóa lưu trữ dữ liệu
- Sổ tay khoa học dữ liệu
- Tìm kiếm thần kinh
- Và nhiều hơn nữa.
Cho dù bạn là người mới bắt đầu hay người thực hành ML có kinh nghiệm, các kho lưu trữ GitHub này đều cung cấp nhiều kiến thức và tài nguyên để nâng cao hiểu biết và kỹ năng của bạn về học máy. Từ toán học cơ bản đến các kỹ thuật nâng cao và ứng dụng thực tế, những kho lưu trữ này là công cụ cần thiết cho bất kỳ ai nghiêm túc trong việc thành thạo machine learning.
Abid Ali Awan (@ 1abidaliawan) là một nhà khoa học dữ liệu chuyên nghiệp được chứng nhận, người yêu thích việc xây dựng các mô hình học máy. Hiện tại, anh đang tập trung sáng tạo nội dung và viết blog kỹ thuật về công nghệ máy học và khoa học dữ liệu. Abid có bằng Thạc sĩ về Quản lý Công nghệ và bằng cử nhân về Kỹ thuật Viễn thông. Tầm nhìn của ông là xây dựng một sản phẩm AI bằng cách sử dụng mạng nơ-ron đồ thị cho những sinh viên đang chống chọi với bệnh tâm thần.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: 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
