Comments 16
А насколько инструментарий на Питоне применим для практических задач? Как у него с производительностью и интеграцией с GPU?
Много success stories про использование есть.
Большинство инструментов аналитики, обучения и прочего в Python базируются на numpy, а numpy почти полностью написан на C.
Есть биндинги к системам анализа, который могут работать кластерами — например для Spark — PySpark
Интеграция с GPU тоже есть — через CUDA или NumbaPRO.
Есть куча библиотек для Deep Learning, например, Caffe
Большинство инструментов аналитики, обучения и прочего в Python базируются на numpy, а numpy почти полностью написан на C.
Есть биндинги к системам анализа, который могут работать кластерами — например для Spark — PySpark
Интеграция с GPU тоже есть — через CUDA или NumbaPRO.
Есть куча библиотек для Deep Learning, например, Caffe
Дополнение по Spark.
Spark в скором будущем будет поддерживать GPU: прототип на Github , Jira
Идеи по использованию мобильных архитектур в кластере: Jira , новость от Databricks
Spark в скором будущем будет поддерживать GPU: прототип на Github , Jira
Идеи по использованию мобильных архитектур в кластере: Jira , новость от Databricks
Для практической задачи обучения ML — вполне, ровно как и для визуализации работы алгоритма, например, при пошаговой обработке в интерфейсе Jupyter.
Для практической задачи модификации или адаптации алгоритма — вполне.
Для задач обработки крупных массивов либо окончательной подстройки коэффициентов на конкретном наборе данных — наверное, не очень, но это уже вопрос качества написания кода и применения нативных расширений, например, Cython и MKL для компиляции кода на C.
Для практической задачи модификации или адаптации алгоритма — вполне.
Для задач обработки крупных массивов либо окончательной подстройки коэффициентов на конкретном наборе данных — наверное, не очень, но это уже вопрос качества написания кода и применения нативных расширений, например, Cython и MKL для компиляции кода на C.
Дык зависит от размера ваших данных — не все задачи ML требуют терабайтов данных.
UFO just landed and posted this here
Да уж, курс как то не очень, я одновременно прохожу его в месте с этим www.coursera.org/learn/machine-learning небо и земля.
Хотелось бы услышать отзывы по вот этому www.coursera.org/specializations/mashinnoye-obucheniye
Хотелось бы услышать отзывы по вот этому www.coursera.org/specializations/mashinnoye-obucheniye
Похоже отзывов по последнему пока нет. Записался, прохожу первый курс: экстремумы функций, производные первого и второго порядка, питон/блокнот — вот это вот всё. Вроде бы можно ускориться, но если одновременно с несколькими другими, то труднаа )
Да, а на «Введение» на всякий случай перезаписался, но вряд ли продолжу.
Да, а на «Введение» на всякий случай перезаписался, но вряд ли продолжу.
На мой взгляд, в курсе «Введение в машинное обучение» не хватает только лабораторных работ — чтоб тебе еще показали, как пользоваться библиотеками. А то так действительно курс распадается на 2 части, не особо связанные друг с другом. Из плюсов выделил бы финальный проект. И задача интересная, и для многих это быстрое погружение в соревнования Kaggle.
А то что теоретический материал «суховат»… ну да, у Andrew Ng все увлекательней, но там где, он 5 минут рассказывает, что такое производная (и 2 раза повторяет, что вы эксперт в ML), хочется давно уже просто формулу увидеть. Если ставить себе задачу действительно разбираться в машинном обучении — надо уметь воспринимать и такую подачу материала, как у Воронцова.
А то что теоретический материал «суховат»… ну да, у Andrew Ng все увлекательней, но там где, он 5 минут рассказывает, что такое производная (и 2 раза повторяет, что вы эксперт в ML), хочется давно уже просто формулу увидеть. Если ставить себе задачу действительно разбираться в машинном обучении — надо уметь воспринимать и такую подачу материала, как у Воронцова.
Потому и прохожу оба:) А вообще по курсу Воронцова www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%28%D1%81%D0%B5%D0%BC%D0%B8%D0%BD%D0%B0%D1%80%D1%8B%2C_%D0%92%D0%9C%D0%9A_%D0%9C%D0%93%D0%A3%29/2015-2016_%D0%B3%D0%BE%D0%B4%2C_%D0%BE%D1%81%D0%B5%D0%BD%D1%8C вот этот набор конспектов очень помогает.
А какже знаменитый курс от Стэнфордского профессора Эндрю Энг (Andrew Ng) на coursera: www.coursera.org/learn/machine-learning
Есть еще обзор полезных репозиториев по Data Science и машинному обучению (там же и Python).
Стоило бы указать, что это перевод: github.com/hangtwenty/dive-into-machine-learning.
Sign up to leave a comment.
Подборка: Более 70 источников по машинному обучению для начинающих