データサイエンス、人工知能、機械学習：独学の方法

データサイエンス（DS、データサイエンス）、AI（人工知能、人工知能）、ML（機械学習、機械学習）の分野で、フルタイムの教育を受けるための時間とお金を誰もが見つけることができるわけではありません。時間の不足とお金の不足は深刻な障害です。あなたは自習でこれらの障害を克服することができます。しかし、ここでもそれはそれほど単純ではありません。自分で学習を成功させるには、規律、集中力、そして正しい科目の選択が必要です。選択した分野での自習は、適切なアプローチで、日常生活や教育機関での勉強と自由に組み合わせることができます。しかし、DS、AI、MLなどの一部の知識分野では、自分で学習を開始することは非常に困難です。しかし、私の言葉を信じてください、困難はあなたが結果として得るものの価値があります。自習で成功する秘訣は、自分のペースで学ぶことにあります。







この資料では、DS、AI、MLの分野で独自に知識を習得したい人のためにどのように行動できるかについてお話したいと思います。ここで提案されている指導方法を適用することは、新しいことを学ぶ上で良い進歩につながる可能性があります。ここでは、さらに、私が使用しているリソースへのリンクを共有します。これは間違いなく他の人に勧める準備ができています。

いくつかの数学の分野を学ぶ

数学は、たとえ誰かがそれを気に入らなくても、私たちが興味を持っている分野では非常に重要です。これを読んだ人は、学校で得た数学の知識をすでに持っていると言っても過言ではありません。これは良い基盤ですが、DS、AI、MLの分野で開発したい人にとっては十分に近いものではありません。つまり、ここでは、学校で行われているよりも少し深く数学を掘り下げる必要があります。統計、代数、その他の数学分野からいくつかのことを学ぶ必要があります。DSに役立つ数学リソースのリストをまとめますが、これはこの記事ですでに行っています。そして彼らはそれを非常にうまくやった。

プログラムすることを学ぶ

自己学習を始めたばかりの場合は、機械学習の目的でコードを作成する方法をすぐに学習しないでください。代わりに、どのドメインにも結び付けられていない基本的なプログラミングの概念を学ぶ価値があります。プログラミングとは何かを学び、存在するさまざまなタイプのコードに精通し、プログラムを正しく作成する方法を理解します。これは非常に重要です。プログラミングをマスターすると、DSのキャリア全体で役立つ多くの基本的なアイデアを学ぶことができるからです。



急いではいけません、すぐに難しいことを学ぼうと努力しないでください。基本をどれだけよく理解するかは、将来のプロとしてのキャリア全体に影響を与えます。ここにプログラミングとコンピューターサイエンスを紹介する非常に優れたビデオチュートリアルを見つけることができます。つまり、彼らはあなたが理解する必要がある最も重要なことを理解します。この質問に少し時間を取って、あなたが学ぶすべてのことを理解するようにしてください。

1つのプログラミング言語を選択し、それを正しく理解する

DS、AI、MLの分野で使用されているプログラミング言語はたくさんあります。ここで最も一般的に使用されるのは、Python、R、Java、Julia、およびSQLです。これらの分野では他の言語を使用できますが、私がリストした言語は、次の理由で他の言語よりも頻繁に使用されています：

• 彼らは学ぶのは簡単です。それらを研究するのに十分な時間を割り当て、学習の忍耐力と不変を示すならば、あなたは十分に速く特定の成功を達成することができます。
• , , .
• , .
• , , , DS, AI ML.
• — .

複数のプログラミング言語を学ぶことに何の問題もありません。そして、実際には、複数の言語を知っていると便利です。しかし、プログラミングを学ぶときは、急いではいけません。一定期間内に1つの言語だけを勉強する必要があります。そうしないと、非常に混乱する可能性があります。したがって、言語を一度に1つずつ学習し、作業で役立つメカニズムのメカニズムに特に注意を払うことをお勧めします。最初の言語としてPythonを選択することをお勧めします。これは、初心者でも簡単に理解できる非常に単純な言語です。さらに、最初にPythonで一般的なプログラミングを学習してから、データ分析用の専用のPythonツールにアクセスすることをお勧めします。

データの収集を学ぶ

多くの場合、誰もあなたに特別なデータを提供することはなく、データがまったくない場合もあります。ただし、いずれの場合も、使用するデータを収集する方法を見つける必要があります。あなたが働いている組織は、優れたデータ収集システムを持っているかもしれません。もしそうなら、これはあなたにとって大きなプラスです。組織にそのようなシステムがない場合は、データを収集する方法を見つける必要があります。しかし、私たちはデータについて話しているのではなく、あなたが生産的に働き、あなたの目標を達成することができる高品質の情報について話しているのです。データ収集は、詳細な分析により、「データマイニング」とは直接関係ありません。データ収集は、分析に先行する作業ステップです。



無料で使用できるオープンデータは、インターネット上の多くの場所で見つけることができます。場合によっては、必要なデータをWebスクレイピング技術を使用してWebサイトから収集できます。Webスクレイピングは非常に重要なデータサイエンティストのスキルなので、DS、AI、MLの分野で働くすべての人にこのスキルを習得してもらいたいと思います。これがウェブスクレイピングの良いガイドです。



さらに、データはデータベースに保存できるため、データベース管理の初期知識とデータベースの操作に関する知識が非常に役立ちます。特に、ここではSQLの知識が非常に重要です。ここでSQLを学びます。

データの処理方法を学ぶ

ここで説明するのは、データラングリングと呼ばれることがよくあります。このプロセスには、既存のデータのクリアが含まれます。データの探索的分析と、データから不要なものをすべて削除します。このプロセスには、データを構造化して、操作可能な形式にすることも含まれます。データを扱うこの段階は、最も困難で最も疲れる段階です。学習プロセスで出くわしたデータは、すでに分析用に準備されています。しかし、現実の世界で遭遇するデータは完全に生である可能性があります。あなたが本当にデータサイエンティストになりたいのなら、あなたは本当のデータを見つけて、それをきちんと見せるための方法を見つける必要があります。



実際のデータはほとんどどこにでもあります。例-オンKaggle。この優れたプラットフォームには、世界中の多くの企業からのデータがあります。一次データ処理は非常に面倒な作業ですが、定期的かつ継続的に行うと、それも非常に興味深い作業であることが徐々にわかります。ここでは、一次データ処理に関する優れた講義をいくつか紹介します。

データの視覚化を学ぶ

DS、AI、またはMLの専門家であり、ビジネスに精通している場合は、自分にとって明らかなことは他の人には完全に理解できない可能性があることを忘れてはなりません。たとえば、数字の列を見て結論を導き出すことができると期待しないでください。あなたの仕事の結果が他の分野の専門家によって使用されることができるように、データを視覚化することを学ぶことは必要です。 「データの視覚化」は、一般に、データをグラフィカルな形式で表示するプロセスと呼ばれます。このようなデータの提示により、DS、AI、MLの分野で特別な知識を持たない人でもメリットを引き出すことができます。



データを視覚化する方法はたくさんあります。私たちはプログラマーなので、データを視覚化する主な方法は、適切なコードを書くことです。高速で、専用のツールを購入する必要はありません。データ視覚化のためのコードを書くとき、私たちが使用するプログラミング言語用に作成された多くの無料のオープンソースライブラリを使用できます。たとえば、Python用のこの種のライブラリがあります。これらはMatplotlib、Seaborn、Bokehです。これがMatplotlibのビデオチュートリアルです。



データを視覚化するもう1つの方法は、クローズドソースツールを使用することです。例-Tableau..。これらのツールはたくさんあり、かなり良い結果を得ることができますが、無料ではありません。Tableauはこれらのツールの中で最も一般的なものの1つであり、私はそれを頻繁に使用します。データ分析と視覚化に携わる人には、Tableauを学ぶことをお勧めします。ここだ、このツールには良いガイド。

人工知能と機械学習

AIとMLは、データ駆動型であるため、DSのサブセクションと考えることができます。 AIとMLは、人間の行動と同じように行動する教育機械に基づく技術です。このために、特別に準備されたデータが使用され、マシンに送信されます。コンピュータモデルは、人間が何ができるかについて多くを教えることができます。これを行うために、彼らは訓練され、望ましい結果に導かれます。この場合、「機械」はまったく知識のない小さな子供として認識されます。これらの子供たちは徐々に物を識別すること、話すことを教えられます。彼らは自分の過ちから学び、学ぶにつれて、自分に割り当てられたタスクをよりよく解決し始めます。これは車の場合です。 



AIおよびMLテクノロジーは、さまざまな数学的アルゴリズムを使用してマシンに命を吹き込むものです。人類は、これらの絶えず改善されている技術の能力の限界をまだ知りません。最近では、AIおよびMLテクノロジーが認知問題の解決に広く使用されています。これらは、オブジェクトの検出と認識、顔と音声の認識、自然な言語処理、スパムの検出と不正の検出です。このリストは非常に長い間続けることができます。



AIとMLについてのより詳細な話は、別の出版物に値します。それまでの間、これらのテクノロジーの適用に関する一般的な質問について、このビデオをお勧めします。しかし、ここに-機械学習に関するビデオチュートリアルの時間。これらのビデオを操作することで、初級または中級レベルに一致するMLの知識を習得できます。多くの既存の機械学習アルゴリズム、それらがどのように機能するか、およびそれらを使用する方法について学習します。その後、独自の単純なMLモデルの作成を開始するのに十分な知識が必要になります。これを行う方法については、ここで読むことができます。

MLモデルをオンラインで公開する方法を探る

MLモデルをインターネット上で公開できるツールがあります。これにより、すべての人にアクセスを許可できます。モデルをインターネット上で公開するには、Web開発プロセスを十分に理解する必要があります。重要なのは、「モデルを公開する」とは、ブラウザでモデルを操作できるようにするWebページ（またはページのグループ）を作成することを意味します。さらに、プロジェクトのフロントエンドであるそのインターフェイスは、モデル自体が配置されているプロジェクトのサーバー部分を使用して、バックエンドとデータを交換する必要があることに注意してください。このようなプロジェクトを構築するには、サーバー側のAPIを作成し、アプリケーションのクライアント側でこれらのAPIを使用できる必要があります。



クラウドでモデルを公開する予定の場合、Dockerテクノロジーを使用する場合は、クラウドコンピューティングとDevOpsの分野に関する十分な知識が必要になります。



実際、モデルをインターネットに展開する方法はたくさんあります。PythonベースのFlaskWebフレームワークを使用してこれを行う方法を学ぶことから始めることをお勧めします。ここだ、この上の良いチュートリアルが。

メンターを探す

自己学習は素晴らしいですが、専門家から学ぶことに勝るものはありません。事実、このアプローチでは、実際に使用されているものが同化され、これが学習が実践を経る方法です。多くのことは練習を通してのみ学ぶことができます。コーチングには多くの長所がありますが、すべてのメンターがあなたのキャリアや人生に大きな影響を与えることができるわけではないことに留意する必要があります。これが、良いメンターを見つけることが非常に重要である理由です。



たとえば、NotitiaAIプラットフォームを使用してこの問題の解決を試みることができます..。ここでは、学生には、学生の成長に個人的および専門的な貢献をする個人的なメンターが割り当てられます。メンターは、DS、AI、MLの分野で初心者から上級者レベルまで学びたい人を連れて行きます。Notia AIは、この種の最も手頃なプラットフォームでもあります。

結果

コースを勉強したり、記事を読んだり、ビデオを見たりしても、データサイエンティストにはならないことに注意してください。専門機関による認定が必要です。さらに、一部の欠員には特定の教育資格が必要です。自習に時間を費やしたり、認定を受けたり、教育資格を取得したりすれば、実際の仕事に取り掛かることができます。



人工知能や機械学習の分野で貴重な専門家になるために、何を知り、熱望できる必要があると思いますか？