مسیری در پنج مرحله: پیشنیازها، کار با داده، الگوریتمهای کلاسیک، یادگیری عمیق و در آخر پروژه و تخصص.
پایتون، جبر خطی مقدماتی، آمار و احتمال و مفهوم مشتق. لازم نیست ریاضیدان باشید؛ باید مفاهیم را بفهمید.
NumPy و pandas را یاد بگیرید. بخش بزرگی از کار واقعی، تمیز کردن و فهمیدن داده است، نه انتخاب الگوریتم.
رگرسیون، درخت تصمیم، جنگل تصادفی و خوشهبندی با scikit-learn. ارزیابی درست را همینجا یاد میگیرید.
شبکه عصبی با PyTorch، سپس یک شاخه: پردازش زبان، بینایی ماشین یا MLOps. پروژه واقعی، بهترین رزومه است.
در راهنمای DevNA با کمتر از ۳۰ خط پایتون اولین مدل طبقهبندی را میسازید و با مدل پایه مقایسه میکنید.
نقشه راه یادگیری ماشین قدمبهقدم: پیشنیاز ریاضی و پایتون، الگوریتمهای کلاسیک، یادگیری عمیق و منابع رایگان؛ همراه با ساخت اولین مدل در scikit-learn.