बधाई कुछ समय पहले मैं भी इस भयानक कोर्स किया है। वैसे भी, इसलिए मैं आपके प्रश्न का उत्तर एक-एक करके दूंगा, हालांकि कुछ प्रश्न हैं जो अंतर से संबंधित हैं।
क्यू 1) मैं कहाँ रियल दुनिया मशीन लर्निंग उपयोग के मामले उदाहरण मिल सकते हैं? उदाहरण सीखना सीखना Scikit
क्यू 2) क्या उपकरण या ढांचा उद्योग/उत्पादन में मशीन लर्निंग परियोजनाओं के लिए इस्तेमाल कर रहे हैं?
वहाँ उस तरह उद्योग के स्तर में उपयोग किया जाता उपकरण या ढांचे की व्यापक विविधता हैं:
- आर
- अजगर (विज्ञान किट जानें)
- GraphLab
- अपाचे महावत
- स्पार्क MLlib
जबकि आर, Scik यह जानने के लिए, GraphLab एक मशीन और डेटा वैज्ञानिक या मशीन सीखने चिकित्सकों के बीच सबसे लोकप्रिय विकल्पों पर अच्छा काम करता है, लेकिन महावत और हाल ही में स्पार्क MLlib बिग डाटा, के इस युग में जहाँ आप मशीन पर सीखने क्या करना चाहते हैं में लोकप्रियता का एक बहुत प्राप्त की है बड़ा डेटासेट जो एकल मशीन पर फिट नहीं होगा।
इसके अलावा मशीन सीखने के काम के जीयूआई आधारित वर्कफ़्लो के लिए वेका, रैपिड माइनर जैसे कुछ अन्य उपकरण भी हैं।
इस उपकरण या ढांचे का विकल्प वास्तव में परियोजना की आवश्यकता जैसे कारकों, उपकरण के बारे में टीम के सदस्यों के ज्ञान, तैनाती के विकास और स्केलेबिलिटी में आसानी पर निर्भर करता है।
क्यू -3) मशीन लर्निंग मॉडल का उपयोग कैसे किया जाता है या उत्पादन में तैनात किया जाता है?
आपके द्वारा मॉडल बनाने के बाद उत्पादन में, & मान्य किए गए मॉडल का मूल्यांकन किया गया है, मॉडल को आमतौर पर अन्य एप्लिकेशन द्वारा उपयोग की जाने वाली वेब सेवा के रूप में तैनात किया जाता है। कुछ क्लाउड आधारित मशीन लर्निंग सेवा प्रदाता हैं जैसे कि एज़ूर एमएल (https://studio.azureml.net/) बिगएमएल (https://bigml.com/) इत्यादि, जहां आप अपना डेटासेट अपलोड कर सकते हैं, कुछ डेटा प्रोसेसिंग कर सकते हैं, ट्रेन | प्रमाणित करें | अपने मशीन लर्निंग मॉडल का मूल्यांकन करें और अंत में इसे webservice के रूप में तैनात करें बादलों में।
नोट: हाल ही में मैं Github (Predictive Analytics Service) पर एक परियोजना है, जो विकासशील और विभिन्न उपकरण/वेब सेवा के रूप में ढांचे का उपयोग कर विभिन्न मशीन लर्निंग मॉडल की तैनाती करना शुरू कर दिया है। योगदान और सुझाव गर्मजोशी से स्वागत है।
क्यू -4) डेटा वैज्ञानिक कैसे बनें? या मुझे आगे क्या करना चाहिए?
यह एक लाख डॉलर का सवाल है और इस सवाल पर Google सीरच के बहुत सारे हैं .. हाहा .. मैं आपको अपने ज्ञान के आधार पर एक संक्षिप्त और संक्षिप्त उत्तर देने की कोशिश करूंगा। सभी डाटा विज्ञान के पहले अध्ययन के क्षेत्र, जो निम्न आम कदम का समावेश अधिक व्यापक है:
- व्यापार समझ या सवाल चरण
- डाटा सभा या
- डाटा प्रोसेसिंग और तैयारी
- मॉडल प्राप्त इस के साथ बिल्डिंग
- मान्यता और मूल्यांकन
साथ, आप als o डेटा परिवर्तनशीलता के परिवर्तन के आधार पर मॉडल प्रतिरक्षा करने की आवश्यकता है, या आप ऑनलाइन शिक्षण मॉडल को तैनात कर सकते हैं (जो इसे देखे जा रहे डेटा के आधार पर स्वयं अनुकूलित होगा)।
लेकिन किसी भी व्यक्ति के लिए डेटा वैज्ञानिक/मशीन लर्निंग प्रैक्शनर बनने के लिए बुनियादी सामग्री डेटा के बारे में जिज्ञासा है (यानी डेटा & को समझने के लिए वैल्यूबल ज्ञान को समझने के लिए)। न तो डेटा वैज्ञानिक बनने के लिए शॉर्टकट हैं और न ही कोई ऐसा कोर्स है जो आपको रात भर डेटा वैज्ञानिक बन जाएगा। डेटा के साथ खेलने या कुछ वास्तविक दुनिया परियोजनाओं का सर्वोत्तम तरीका है।
असली दुनिया उपलब्ध डाटासेट बहुत से सार्वजनिक रूप से, आप आप पर मशीन लर्निंग और डाटा विज्ञान प्रतियोगिता में भाग लेने Kaggle करके अपने कौशल और विशेषज्ञता का परीक्षण कर सकते interest.Also की अपनी पसंद का एक डाटासेट चुन सकते हैं।
https://www.coursera.org/specializations/machine-learning
https://www.edx.org/course/introduction-computational-thinking-data-mitx-6-00-2x-2
https://www.edx.org/course/data-science-machine-learning-essentials-microsoft-dat203x
:
की तरह ऑनलाइन डेटा विज्ञान, यह कैसे व्यायाम पर कुछ हाथ के साथ काम करता है, तो आप निश्चित रूप से कोशिश कर सकते हैं के बारे में कुछ ज्ञान प्राप्त करने के लिए