Blog · Na start
Na start
Odpowiedzi na pytania początkujących: ile Pythona i matematyki trzeba do ML, pierwszy projekt krok po kroku i jak działa czat AI, którego używasz.
Analityk danych, data scientist czy ML engineer? RóżniceAnalityk mówi, co się stało, data scientist przewiduje i sprawdza, a ML engineer wdraża model do produktu. Czym się różnią i od której roli zwykle się zaczyna.Kaggle dla początkujących: od czego zacząć i czego unikaćNajpierw krótki kurs Kaggle Learn, potem Titanic: 891 pasażerów do nauki, 418 do przewidzenia, bez nagród i medali. I jak nie dać się złapać tablicy wyników.Jaki laptop do nauki ML? Na start wystarczy przeglądarkaDo kursu wystarczy przeglądarka, do Pythona i scikit-learn zwykły laptop. Liczy się pamięć RAM, nie karta graficzna, a GPU do sieci neuronowych jest w chmurze.Czy da się nauczyć ML po 30 albo 40? Uczciwie, z danymiNauczyć się tak: wiek nie zamyka drogi do pojęć ani kodu. Co mówią badania o wieku i myśleniu, kto dziś pracuje przy danych w Polsce i gdzie wiek pomaga.Darmowe zbiory danych do pierwszego projektu ML (legalnie)Osiem otwartych zbiorów na pierwszy projekt, od 150 irysów po 70 000 obrazków ubrań, każdy ze sprawdzoną licencją. Jak czytać CC0, CC BY i MIT.Ile czasu zajmuje nauka ML? Uczciwie, bez obietnicZależy, co znaczy „umieć”: pojęcia, własny projekt, sieci neuronowe czy praca. Ile trwają darmowe kursy według ich autorów i co naprawdę skraca naukę.Jak sprawdzić, czy model jest dobry? Sama trafność kłamieCztery pytania do każdego modelu: nowe dane, punkt odniesienia, rodzaj pomyłek, wszystkie progi. Na biopsjach „zawsze łagodny” ma 99,1% i nikogo nie wykrywa.Uczenie maszynowe a sztuczna inteligencja: czym się różniąAI to cel, a uczenie maszynowe to jeden sposób, żeby go osiągnąć: program sam wyprowadza regułę z przykładów. Trzy koła, eksperyment na guzach i prosty test.Czy ChatGPT to uczenie maszynowe? Jak działa, w 5 krokachTak. ChatGPT to sieć neuronowa, która nauczyła się zgadywać następny kawałek tekstu, a potem ludzie dostroili ją do rozmowy. Pięć kroków, każdy z eksperymentem.Pierwszy projekt ML na otwartych danych krok po krokuSześć kroków na otwartych danych o pingwinach: pytanie, dane, podział, zgadywanie, model, ocena. Kilkanaście linijek Pythona i wynik 95,1% do sprawdzenia.Matematyka do ML: co naprawdę jest potrzebne na startNa start wystarczy szkoła: procenty, średnia i wykres. Prawdopodobieństwo przydaje się szybko, pochodne i macierze dopiero przy sieciach neuronowych.Python do machine learningu: ile trzeba umieć na startMniej, niż się wydaje: zmienne, listy, pętla i funkcja, do tego kilka poleceń pandas i trzy metody scikit-learn. Klasy i algorytmy mogą poczekać.
Dzienne ML: zagadka na każdy dzień