Inspiré par Google Interview University.
Traductions: Brazilian Portuguese | 中文版本 | Français
Comment moi (Nam Vu) prévoit de devenir un ingénieur dans le domaine du Machine Learning
Il s'agit d'un projet qui s'étend sur plusieurs mois, avec pour objectif de devenir ingénieur en Machine Learning en partant de mon expérience de développeur mobile (de manière autodidacte, sans diplôme en Informatique).
Mon objectif principal est d'élaborer une méthode pour apprendre le Machine Learning qui se base surtout sur la pratique et écarte au mieux l'aspect Mathématique pouvant rebuter les novices. C'est une approche non conventionnel car de type analyse-synthèse fondée d'abord à partir de résultats, elle est conçue du point de vue ingénierie logiciel.
Toute contributions pouvant améliorer le projet est la bienvenue.
- Qu'est-ce que c'est?
- Pourquoi l'utiliser?
- Comment s'en servir?
- Suivez-moi
- Ne vous laissez pas abattre
- Au sujet de nos vidéos
- Les Connaissances Requises
- Le Planning Journalier
- Motivation
- Découvrir le Machine learning
- Maîtriser le Machine learning
- Le Machine learning c'est fun
- Inky Machine Learning
- Machine Learning: Un Guide de A à Z
- Parcours et expériences
- Algorithmes de Machine Learning
- Ouvrages pour débutants
- Livres pratique
- Les Compétitions Kaggle
- Séries vidéos
- MOOC
- Ressources
- Participer aux projets Open-source
- Jeux
- Podcasts
- Communautés
- Conférences
- Questions aux Entretiens
- Les Entreprises que j'admire
Je suis ce programme pour me préparer à mon futur métier, celui d'ingénieur en Machine learning. Je développe des applications mobile sur les plateformes Android, iOS et Blackberry depuis 2011. J'ai un diplôme en Ingénierie Logiciel mais pas en Informatique. J'ai également quelques bases en calcul, algèbre linéaire, Mathématiques discrètes, probabilités et statistiques grâce à mon parcours à l'Université.
En pensant à mon intérêt pour le Machine learning :
- Est-ce que je peux apprendre et engager une carrière professionnelle dans le Machine learning sans un Master ou un Doctorat en Informatique ?
- "C'est possible, mais ce sera bien plus difficile que lorsque je me suis orienter vers ce domaine." Drac Smith
- Comment puis-je obtenir un travail dans ce domaine en tant que développeur logiciel qui a appris le Machine learning en autonomie mais n'a jamais eu l'occasion de l'utiliser en milieu professionnel ?
- "Je ne recrute que des experts en Machine learning pour mon équipe et votre MOOC ne vous permettra pas d'obtenir ce travail (il y a quand même de bonnes nouvelles plus bas). En faite, beaucoup de gens avec un master en Machine learning n'auront pas nécessairement ce travail car ils (et la plupart des gens qui ont suivie une MOOC) n'ont pas une compréhension suffisamment précise pour répondre à mes problématiques." Ross C. Taylor
- Quelles sont les compétences requises pour travailler dans le domaine du Machine learning ?
- "D'abord, vous devez avoir une expérience correcte dans l'Informatique/les Mathématiques. Machine learning (ML) est un sujet complexe et la plupart des ouvrages attendent de vous que vous ayez déjà un lourd bagage technique. Ensuite ML est un vaste sujet qui se décline en beaucoup de sous-domaines dont chacune demande des compétences précises. Vous devriez vous renseigner sur le contenu d'un programme MS en Machine learning pour voir le cours, le programme et les manuels scolaires." Uri
- "Probabilités, Calculs distribués et Statistiques." Hydrangea
Je me retrouve alors dans une période de doute.
AFAIK, On distingue deux aspect dans le Machine learning:
- Machine Learning en pratique: Il s'agit de faire des requêtes sur des bases de données, du nettoyage, écrire des scripts pour transformer les données, faire correspondre les programmes avec les bibliothèques adéquates et écrire du code sur mesure pour obtenir des réponses fiables capable de satisfaire des questions encore trop flou. On doit s'adapter à une réalité imparfaite, pleine d'aléas, où tout est en désordre.
- Machine Learning en théorie: Ici on est en plein dans les Mathématiques et l'abstraction, on considère les cas idéaux sans se soucier de ce qui est réellement possible. Tout est bien plus ordonné et propre car on néglige les contraintes du réel.
Je pense que la meilleure approche pour une méthodologie orientée sur la pratique ressemble à quelque chose comme 'pratique — apprentissage — pratique', ça signifie qu'on étudie d'abord des projets existants avec leurs problèmes et solutions (pratique) pour se familiariser avec les méthodes traditionnelles dans une discipline et peut-être également se familiariser avec une méthodologie propre à ce projet en particulier. Après avoir manipuler des cas élémentaires, il est temps d'ouvrir les livres et autres manuels pour étudier ce qui se passe réellement au niveau théorique, ce qui va ensuite donner plus de sens aux prochains essais dans la pratique. En effet, ce qu'on apprend via la théorie s'ajoutera à une sorte de Boîte à Outils englobant les connaissances pour résoudre tel ou tel problème pratique. Etudier la théorie permet aussi d'améliorer la compréhension des expériences basiques pour se construire des bases solides et donnera lieu à un apprentissage plus rapide des expériences d'un niveau plus pointu.
“Il faut d'abord apprendre la façon de faire, ensuite on peut faire à sa façon.”
Pour moi c'est un plan sur le long terme qui me prendra certainement des années. Si vous êtes déjà familier avec tout ceci, vous aurez probablement besoin de moins de temps.
Tout ce qui suis est un guide qui vous apprendra de manière progressive le Machine learning via les points qui sont listés plus bas, je vous conseille de consulter chaque points, dans l'ordre, de haut en bas.
Je profite au mieux de ce qu'offre la version GitHub de Markdown, pour inclure notamment un système de tâches à réaliser. J'utilise des cases à cocher, ce qui vous permet de garder un œil sur votre progression.
- Créez une nouvelle branche pour pouvoir cocher des cases comme celle-ci. Il suffit d'ajouter un x entre les crochets [x]. Plus à propos de Markdown à la sauce GitHub
Je suis un Ingénieur Logiciel vietnamien, un véritable passionné et mon rêve est de pouvoir un jour travailler aux Etats-Unis.
Combien de temps par jour ai-je travailler pendant ce programme? À peu près 4 heures/nuit après une bonne journée de boulot.
Et l'aventure continue.
- Twitter: @Nam Vu
 |
|---|
| USA as heck |
J'ai été décourager plusieurs fois devant les cours et ouvrages qui me signalaient d'entré de jeu que la maîtrise de concept tels que les fonctions de plusieurs variables, l'inférence statistique et l'algèbre linéaire sont obligatoires pour comprendre le Machine Learning. Et je ne sais toujours pas par où commencer...
Même si tout ces termes peuvent rebuter il ne faut pas se démotiver pour autant, voici quelques pistes pour démarrer votre apprentissage :
- Et si je ne suis pas bon en Mathématique ?
- 5 Techniques Pour Comprendre les Algorithme de Machine Learning Sans Expériences en Mathématiques
- Comment apprendre le Machine learning?
Ne jamais baisser les bras! L'échec et le rejet ne sont que les premières étapes du succès. - Jim Valvano
Certaines vidéos ne sont disponible qu'en s'inscrivant aux cours de Coursera ou EdX. Ces outils sont gratuit mais il arrive que les cours soient indisponible et vous devez patienter quelques mois pour y avoir accès. Pour limiter ce problème, je vais ajouter davantage de vidéos provenant de sources publiques pour remplacer au fil du temps les cours en ligne en prenant par exemple des cours magistraux d'Universités.
Je vais lister dans cette courte section les aptitudes et informations intéressantes que je voulais apprendre avant de commencer mon programme quotidien en Machine learning.
- Quelle sont les différences entre Data Analytics, Data Analysis, Data Mining, Data Science, Machine Learning, et Big Data?
- Apprendre comment apprendre
- Ne brisez pas la chaîne
- Comment apprendre par vous même
Chaque matière ne demandent pas une journée entière pour être assimilée, vous pouvez en faire plusieurs par jour.
Chaque jours, je choisis un sujet de la liste juste en dessous et je le lis entièrement, je prends des notes et fais les exercices. Pour finir, j'écris une première implémentation en Python ou en R.
- Introduction au Machine Learning en image
- Un guide pour aborder le Machine Learning en douceur
- Introduction au Machine Learning pour développeur
- Les bases du Machines Learning pour débutant
- Comment expliquer le Machine Learning et le Data Mining aux non-initiés?
- Machine Learning: sous le capot. Blog post explique les principes du Machine Learning à monsieur Tout-le-monde. Simple et clair.
- Qu'est-ce que le Machine Learning et comment est-ce que ça fonctionne?
- Deep Learning - Une introduction toute simple
- Les méthodes pour maîtriser le Machine Learning
- Le Machine Learning pour les programmeurs
- Machine Learning appliquée avec Machine Learning Mastery
- Mini-cours de Python pour le Machine Learning
- Mini-cours sur les Algorithmes de Machine Learning
- Machine Learning c'est fun!
- Partie 2: Utiliser le Machine Learning pour generer des niveaux de Super Mario Maker
- Partie 3: Deep Learning et Convolutional Neural Networks
- Partie 4: Reconnaissance faciale moderne grâce au Deep Learning
- Partie 5: La traduction de langue grâce au Deep Learning et la magie des suites.
- Partie 6: Comment faire de la reconnaissance vocale avec le Deep Learning
- Partie 7: Exploiter les Réseaux antagonistes génératifs pour faire du Pixel Art 8-bit
- Partie 8: Comment tromper volontairement les réseaux de neurones
- Partie 1: Qu'est-ce que le Machine Learning ?
- Partie 2: L'apprentissage supervisée et non-supervisée
- Aperçu, objectifs, type d'apprentissage et algorithmes
- Sélection de Données, préparation et modélisation
- Evaluation de model, validation, complexité et amélioration
- Performance de model et analyse d'erreur
- Apprentissage non-supervisée, matières similaires et Machine Learning dans la pratique
- Machine Learning en une semaine
- Machine Learning en une année
- Comment j'ai écris mon premier programme de Machine Learning en 3 jours
- Learning Path : Votre mentor pour devenir un expert en Machine Learning
- Vous aussi pouvez devenir une grande figure du Machine Learning! Sans Doctorat
- Comment devenir un Data Scientist en 6 mois: Une approche non-conventionnelle pour organiser votre carrière.
- 5 compétences nécessaire pour devenir Ingénieur en Machine Learning
- Êtes-vous un Ingénieur en Machine Learning autodidacte ? Si oui, comment avez-vous fait et combien de temps est-ce que cela vous a pris ?
- Comment devenir un bon Ingénieur en Machine Learning ?
- Un apprentissage sabbatique centré sur le Machine Learning
- 10 Algorithme de Machine Learning expliqués à un ‘Soldat’
- Top 10 des algorithmes de Data Mining en pur Anglais
- 10 Termes de Machine Learning expliqués en Anglais basique
- Un tour d'horizon des algorithmes de Machine Learning
- Les 10 algorithmes de Machine Learning que les Ingénieurs doivent absolument connaître
- Comparer les algorithmes d'apprentissages supervisées
- Algorithmes de Machine Learning: Une collection d'implémentations minimales et claires
- Data Smart: Utiliser la Science des Données pour transformer l'information en connaissance 1ère Edition
- La Science des données pour le Commerce: Ce que vous devez savoir sur le Data Mining et la pensée analytique des données
- Predictive Analytics: Le pouvoir de prédire qui va cliquer, acheter, mentir ou mourir
- Machine Learning pour les Hackers
- Python Machine Learning
- Programming Collective Intelligence: Building Smart Web 2.0 Applications
- Machine Learning: An Algorithmic Perspective, Second Edition
- Introduction au Machine Learning avec Python: Un Guide pour Data Scientists
- Data Mining: Practical Machine Learning Tools and Techniques, Third Edition
- Documentation pédagogique
- Machine Learning en Action
- Reactive Machine Learning Systems(MEAP)
- An Introduction to Statistical Learning
- Construire des systèmes de Machine Learning en Python
- Learning scikit-learn: Machine Learning in Python
- Probabilistic Programming & Bayesian Methods for Hackers
- Probabilistic Graphical Models: Principles and Techniques
- Machine Learning: Hands-On for Developers and Technical Professionals
- Learning from Data
- Reinforcement Learning: An Introduction (2nd Edition)
- Machine Learning with TensorFlow(MEAP)
- Les compétitions Kaggle: Comment et par où commencer ?
- Comment un débutant a utilisé de petits projets pour apprendre le Machine Learning et participer à Kaggle
- Maîtriser Kaggle en participant sans cesse
- Machine Learning pour Hackers
- Fresh Machine Learning
- Recettes de Machine Learning avec Josh Gordon
- Tout ce dont vous avez besoin de savoir sur le Machine Learning en 30 minutes ou moins
- Une Introduction amicale au Machine Learning
- Toute les bases pour appliquer le Deep Learning - Andrew Ng
- BigML Webinar
- mathematicalmonk's Machine Learning tutorials
- Machine learning en Python avec scikit-learn
- My playlist – Top YouTube Videos on Machine Learning, Neural Network & Deep Learning
- 16 Nouveaux tutoriels à voir absolument, cours de Machine Learning
- DeepLearning.TV
- Learning To See
- Neural networks class - Université de Sherbrooke
- 21 Vidéos de Deep Learning, tutoriels et cours sur Youtube datant de 2016
- 30 Meilleures vidéos, tutoriels et cours de Machine Learning et Intelligence Artificiel datant de 2016
- Practical Deep Learning For Coders
- Practical Deep Learning For Coders Version 2 (PyTorch)
- edX's Introduction à l'Intelligence Artificielle (IA)
- Intro au Machine Learning par Udacity
- Supervised, Unsupervised et Renforcement par Udacity
- Machine Learning Fondations: Aborder un cas d'étude
- Machine Learning et IA Fondations: Estimation de valeurs
- Hands-On Data Science Education par Kaggle
- Programme professionnel pour l'Intelligence Artificel par Microsoft
- Machine Learning par Coursera
- Machine Learning Distilled
- BigML training
- Neural Networks pour Machine Learning par Coursera
- Enseigné par Geoffrey Hinton, une pionnier dans le domaine des réseaux de neurones.
- Machine Learning - CS - Oxford University
- Applications créatives du Deep Learning par TensorFlow
- Intro aux Statistiques descriptives
- Intro aux Inférences statistiques
- 6.S094: Deep Learning pour voitures autonomes
- 6.S191: Introduction au Deep Learning
- Deep Learning par Coursera
- Le tout début de l'apprentissage en Machine Learning
- Apprendre le Machine Learning en un mois seulement
- Le Guide accessible du Machine Learning et de l'Intelligence Artificiel
- Les ressources conservées par un communauté de programmeur pour apprendre le Machine Learning
- Livre des meilleures pratiques en Machine Learning par Google
- Machine Learning pour les Ingénieurs Logiciel sur Hacker News
- Machine Learning pour Développeurs
- Machine Learning pour les Humains🤖👶
- Conseils de Machine Learning pour Développeurs
- Machine Learning pour les nuls
- Commencer en Machine Learning: Pour tout les niveaux de débutant à master
- Comment apprendre le Machine Learning: La méthode autodidacte
- Ressource pour étudier le Machine Learning soi-même
- Level-Up Your Machine Learning
- Un Guide sincère sur le Machine Learning
- Assez de Machine Learning pour rendre sa lisibilité à Hacker News
- Plonger dans le Machine Learning
- {Machine, Deep} Apprentissage pour ingénieurs logiciel
- Deep Learning pour débutant
- Les bases du Deep Learning
- Machine Learning Carte mentale / Aide mémoire
- Cours de Machine Learning dans les Universités
- Sujets Flipboard
- Sujets Medium
- Top 10 Mensuel des articles
- Liste exhaustive de ressources sur la Sciences des données
- Ressources sur l'Intelligence Articificiel par DigitalMind
- Awesome Machine Learning
- Machine Learning par CreativeAi
- Halite: A.I. Coding Game
- Vindinium: A.I. Programming Challenge
- General Video Game AI Competition
- Angry Birds AI Competition
- The AI Games
- Fighting Game AI Competition
- CodeCup
- Student StarCraft AI Tournament
- AIIDE StarCraft AI Competition
- CIG StarCraft AI Competition
- CodinGame - AI Bot Games
- tensorflow/magenta: Magenta: Music and Art Generation with Machine Intelligence
- tensorflow/tensorflow: Computation using data flow graphs for scalable machine learning
- cmusatyalab/openface: Face recognition with deep neural networks.
- tensorflow/models/syntaxnet: Neural Models of Syntax.
-
Quora
-
Reddit
- Neural Information Processing Systems (NIPS)
- International Conference on Learning Representations (ICLR)
- Association for the Advancement of Artificial Intelligence (AAAI)
- IEEE Conference on Computational Intelligence and Games (CIG)
- IEEE International Conference on Machine Learning and Applications (ICMLA)
- International Conference on Machine Learning (ICML)
- International Joint Conferences on Artificial Intelligence (IJCAI)
- Association for Computational Linguistics (ACL)
- Comment se préparer à un entretien sur le Machine Learning
- 40 Questions posées aux Startups de Machine Learning / Science des données durant un entretien
- 21 Questions et réponse en Sciences des données à connaître absolument pour un entretien
- Top 50 des questions réponses sur le Machine learning en entretien
- Questions d'ingénieur sur le Machine Learning durant un entretien
- Questions récurrentes lors des entretiens en Machine Learning
- Quelles sont les questions souvent posées lors des entretiens en Machine Learning?
- Quelles sont les meilleures question à poser en entretien pour estimer le niveau d'un chercheur en Machine Learning?
- Recueil de questions sur le Machine Learning en entretien
- 121 Questions et réponses essentielles en Machine Learning