نقشه راه کامل برای تسلط بر ماشین لرنینگ از صفر تا حرفه ای!

یکی از دلایلی که علاقه مندان به یادگیری ماشین سردرگم میشن این هست که نمیدونن از چه دوره ای شروه به کار کنن و یا از چه کتابهایی استفاده کنن و یا حتی اینکه از چه زبان برنامه نویسی می تونن در ابن را استفاده کنن. توی این مقاله می خوام به این موضوع بپردازم که اساسا از چه نقطه ای باید شروع کنیم و چه راهی رو باید جلو بریم تا بتونیم در یادگیری ماشین یا Machine Learning حرفه ای بشیم.

گام اول : انتخاب زبان های برنامه نویسی

زبان های برنامه نویسی زیادی وجود دارند که میتونید انتخاب کنید و مناسب ترین زبان ها برای این حوزه زبان های برنامه نویسی Python و R هستند با این حال من زبان پایتون رو به شما توصیه میکنم. (میتونید زبان برنامه نویسی پایتون رو به طور حرفه ای از اینجا یاد بگیرید.)

دلیل انتخاب زبان پایتون ساده است ، پایتون علاوه بر اینکه به شدت پر طرفداره ، در حوزه های دیگری هم مثل توسعه وب با کمک ابزارهایی مثل جنگ و فلاسک یا توسعه اپلیکیشن های دسکتاپ با TKinter یا PyQt و حتی توسعه بازی های ویدیویی با ابزارهایی مثل Pygame و Panda 3D بسار مورد توجه هستش.

اگر علاقه مند هستید یادگیری ماشین رو با پایتون جلو ببرین ، شما ابزاری به نام SKlearn یا scikit-learn رو در اختیار خواهید داشت که بسیاری از الگوریتم های یادگیری ماشین رو از قبل برای شما ایجاد کردن و میتونید برای آنالیز داده هاتون ازش استفاده کنید. همینطور برای شبکه های عصبی یا یادگیری عمیق میتونید از ابزاری به نام Tensorflow استفاده کنید.

گام دوم : جبر خطی یادبگیرید

یادگیری جبر خطی برای نوشتن مدل های مناسب امری ضروریه! شما باید بتونید با کمک جبر خطی مدل هایی ایجاد کنید که حداکثر انعطاف رو داشته باشند تا بتونن بهترین جواب و پیش بینی از نتایج رو در اختیارتون قرار بدن!

پیشنهاد میکنم این گام رو همزمان با گام اول جلو ببرید ، یعنی منتظر اتمام یادگیری پایتون نباشید بلکه همزمان با یادگیری پایتون جبر خطی رو هم یادبگیرید. این کار باعث میشه انگیزتون برای ادامه کار حفظ بشه! با این حال شما میتونید تمرکز اصلی رو روی یادگیری زبان برنامه نویسی بذارید و در کنارش یادگیری جبر خطری رو هم جلو ببرید.

برای یادگیری جبر خطی می تونید از این مطلب استفاده کنید.

گام سوم : آمار و احتمالات یاد بگیرید

در مبحث یادگیری ماشین شما به طرز عجیبی با مباحث آماری و مفاهیم موجود در احتمالات درگیر خواهید بود. اگر دانشگاه رفتید با کتاب مبانی آمار و احتمالات آشنایی دارید ، می تونید مفاهیم موجود در اون کتاب رو مرور کنید. با این حال اگر دنبال منبعی میگردید که مباحث مورد نیاز آماری یادگیری ماشین رو در بر داشته باشه می تونید از این لینک استفاده کنید.

گام چهارم : یادگیری الگوریتم های اصلی یادگیری ماشین

شما باید الگوریتم هایی که توسط توسعه دهندگان SKlearn ایجاد شده اند رو درک کنین ، برای همین هم نیاز هستنش که الگوریتم های زیر رو یادبگیرید.

1. نزول گرادیان یا Gradient Descent

2. شیب یا Slope

3. یادگیری تحت نظارت یا بدون نظارت Supervised vs Unsupervised learning

4. یادگیری تقویتی Reinforcement Learning

5. رگرسیون خطی اساسی یا Basic Linear Regression

6. کار بر روی تمامی مدل های مشابه

7. خوشه بندی یا Clustering

برای این موضوع می تونید از این منبع استفاده کنید

گام پنجم : کتابخانه های مرتبط در پایتون رو یاد بگیرید

این کتابخونه ها به شما کمک می کنند که بتونید به سادگی با داده ها کار کنید. بنابراین یادگیری اینها از جمله الزاماتی هست که در این راه دارید و باید بهش عمل کنید.

1. یادگیری کتبخانه Numpy

2. یادگیری کتابخانه Pandas

برای یادگیری Numpy میتونید از اینجا کمک بگیرید و برای یادگیری Pandas از اینجا.

گام ششم : کتابخانه های مرتبط در پایتون رو یاد بگیرید

بعد از اتمام این مسیر میتونید یادگیری Scikit-learn رو شروع کنین. حالا شما آماده هستید که به یادگیری ماشین با یکی از بهترین ابزارهای موجود بپردازید. منابع مختلف و کتاب های بسیاری بارای یادگیری کار با این ابزار وجود دارند. برای شروه می تونید از این ویدیو داخل یوتیوب استفاده کنید.