Skip to content

Latest commit

 

History

History
229 lines (175 loc) · 18.4 KB

README-pt-BR.md

File metadata and controls

229 lines (175 loc) · 18.4 KB

Top-down learning path: Machine Learning for Software Engineers

Inspired by Google Interview University.

Se você gostou deste projeto, por favor me dê uma estrela.

O que é?

Este é meu plano de estudo para ir de desenvolvedor mobile (autodidata, sem diploma) para Engenheiro de Machine Learning. Meu principal objetivo era encontrar uma abordagem para estudar Machine Lerning, que é principalmente hands-on (aprender fazendo) e abstrair a maioria da matemática para o iniciante. Esta abordagem não é convencional porque ela é uma abordagem top-down e resultados-primeiro projetada para engenheiros de software.

Por favor, sinta-se livre para fazer qualquer contribuição que você achar que pode o tornar melhor.


Tabela de conteúdo


Por que usar?

Eu estou seguindo este plano para me preparar para meu próximo futuro emprego: Engenheiro de Machine Learning. Venho construindo aplicativos nativos móveis (iOS/Android/Blackberry) desde 2011. Eu tenho um diploma de engenharia de Software, não um diploma de Ciência da Computação. Tenho um pouco de conhecimentos básicos sobre: cálculo, Álgebra Linear, matemática discreta, probabilidade e estatística na Universidade.

Pense sobre meu interesse em Machine Learning:

Eu me encontro em tempos difíceis.

AFAIK, Há dois lados para Machine Learning:

  • Prática de Machine Learning: Isto é sobre bancos de dados de consultas, limpeza de dados, escrevendo scripts para transformar dados e colagem de algoritmo e bibliotecas juntos e escrever código personalizado para espremer respostas confiáveis de dados para satisfazer as perguntas difíceis e mal definidas. É a porcaria da realidade.
  • Teoria de Machine Learning: Isto é sobre matemática e abstração e cenários idealizados e limites e beleza e informando o que é possível. É muito mais puro e mais limpo e removido da confusão da realidade.

Eu acho que a melhor maneira para metodologia centrada na prática é algo como 'prática - aprendizagem - prática', que significa onde estudantes primeiro vêm com alguns projetos existentes com problemas e soluções (prática) para se familiarizar com os métodos tradicionais na área e talvez também com sua metodologia.Depois de praticar com algumas experiências elementares, podem ir para os livros e estudar a teoria subjacente, que serve para guiar a sua futura prática avançada e reforçará a sua caixa de ferramentas de solução de problemas práticos. Estudar a teoria também melhora ainda mais sua compreensão sobre as experiências elementares e irá ajudá-los a adquirir experiências avançadas mais rapidamente.

É um plano longo. Isso vai demorar anos para mim. Se você já está familiarizado com bastante disso já, você levará muito menos tempo.

Como usar

Tudo abaixo é uma estrutura de tópicos, e você deve enfrentar os itens em ordem de cima para baixo.

Eu estou usando o especial Markdown do Github, incluindo a lista de tarefas para verificar o progresso.

  • Crie um novo branch, então você poderá verificar itens como esse, apenas coloque um x entre os colchetes.

More about Github-flavored markdown

Siga-me

Eu sou um engenheiro de Software vietnamita que é realmente apaixonado e quer trabalhar nos EUA.

Quanto eu trabalhei durante este plano? Aproximadamente 4 horas/noite após um dia longo no trabalho.

Eu estou na jornada.

Nam Vu - Top-down learning path: machine learning for software engineers
USA as heck

Não sinta que não é inteligente o bastante

Fico desencorajado por livros e cursos que me dizem que o quanto antes eu puder, cálculo multivariável, inferencial e álgebra linear são pré-requisitos. Ainda não sei como começar...

Sobre Video Resources

Alguns vídeos estão disponíveis apenas registrando-se em uma classe Coursera ou EdX. É de graça, mas às vezes as classes já não estão em sessão, então você tem que esperar uns meses, se não, não terá acesso. Eu vou estar adicionando mais vídeos de fontes públicas e substituindo os vídeos do curso on-line ao longo do tempo. Eu gosto de usar palestras de universidade.

Conhecimento prévio

Esta seção curta foram pré-requisitos/informações interessantes que eu queria aprender antes de começar o plano diário.

O Plano Diário

Cada assunto não requer um dia inteiro para ser capaz de compreendê-lo totalmente, e você pode fazer vários desses em um dia.

Cada dia eu pego um assunto da lista abaixo, leia de capa a capa, tome nota, faça os exercícios e escreva uma implementação em Python ou R.

Motivação

Visão geral do Machine learning

Maestria do Machine learning

Machine learning é divertido

Machine learning: um guia profundo, não técnico

Relatos e experiências

Livros para iniciantes

Livros para prática

Competições de conhecimento Kaggle

Video Series

MOOC

Pesquisas

Torne-se um contribuidor Open Sourse

Comunidades

My admired companies