هذه محاولة لوضع خطة لمجال التعلم الالي والتعلم العميق لترشد المبتدئ لأفضل طريق من وجهة نظري للوصول للفهم الجيد للأساسيات
- للنظري حاول كتابة الملاحظات للتذكر والأشياء المهمه وحدد وقتا ثابتا
- للدورات التطبيقيه حاول التفاعل معها واتعب قليلا في حلول الاختبارتات لا تقم باستسهالها والبحث على جوجل عن حلولها أو صاحب خبره افعلها بنفسك
- لتدريبات الأكواد كود على طول ، وبعد الفيديو حاول ترميزه بنفسك مرة أخرى.
- الخطوة 3 حاسمة! إن معرفتك النظرية لا قيمة لها إذا كنت لا تعرف كيفية تطبيقها على مشاكل العالم الحقيقي! قم بأكبر عدد ممكن من المشاريع والمسابقات الشخصية! ليس عليك الانتظار مع الخطوة 3 حتى تنتهي من الأجزاء الأخرى ، أوصي بالبدء بمشروع جانبي أو مسابقة kaggle بعد الانتهاء من الجزء 1.1 (دورة Andrew Ng).
-
Linear Algebra and Multivariate Calculus
-
Statistics
-
Python
- Coursera Free Course by Andrew Ng
- Machine Learning Stanford Full Course on YouTube
- Udacity - Introduction to Machine Learning
- Machine Learning From Scratch - Playlist on YouTube (Python Engineer)
- Books (Optional and not free, but I recommend at least the first one):
- Stanford Lecture - Convolutional Neural Networks for Visual Recognition
- Learn PyTorch (or Tensorflow)
- fast.ai - Free Courses
Optional:
- Stanford Lecture - Natural Language Processing with Deep Learning
- Stanford Lecture- Reinforcement Learning
- Kaggle
- Datasets (develop own projects)
- Competitions (start with Getting started section)
- 8 Fun Machine Learning Projects For Beginners
- اصنع مشاريعك الخاصة لإظهار ما تعلمته
- أعد إنتاج الأبحاث العلميه ونفذ الخوارزميات
- اكتب مدونة لشرح ما تعلمته.
- المساهمة في المشاريع مفتوحة المصدر المتعلقة بـ ML / DL (sklearn، pytorch، fastai، ...).
- شارك في مسابقات Kaggle.
- The cold start problem: how to break into machine learning (Towardsdatascience)
- How to Start Learning Machine Learning? (GeekforGeeks)
- How to get started in machine learning - best books and sites for machine learning (YouTube)
- How you can get a world-class machine learning education for free (Elite Data Science)
- Get started with AI and machine learning in 3 months (Aleksa Gordić)
- https://towardsdatascience.com/beginners-guide-to-machine-learning-with-python-b9ff35bc9c51
- One year of deep learning (Fast.ai)
- Getting Started with Applied Machine Learning (Machine Learning Mastery)
GitHub:
- https://github.com/ZuzooVn/machine-learning-for-software-engineers
- https://github.com/Avik-Jain/100-Days-Of-ML-Code
- https://github.com/yanshengjia/ml-road
Contributions are welcome! If you can recommend any other resources, feel free to open a pull request :)
- Book: Automate The Boring Stuff with Python (Till Chapter 6 for Python Basics, the remaining chapters include the applications of Python)
- Book: Python Crash Course by Erric Matthes
- Book: Learning Python by Mark Lutz
- Basics of Neural Networks, how they learn and some of the involved Mathematics(3Blue1Brown series)
- Article on Beginner Level Datasets
- Article on Life Cycle of a Data Science Project
- Book: Grokking Algorithms: An Illustrated Guide for Programmers and Other Curious People
- Book: Mathematics for Machine Learning (with tutorials - FREE)
- Book: An Introduction to Statistical Learning (- FREE)
- Essentials of Statistics by Monica Wahi (YouTube)