# Как Патрик из AssemblyAI рекомендует учить Machine Learning

Источник: https://www.youtube.com/watch?v=wtolixa9XTg
Канал: AssemblyAI
Опубликовано: 03.09.2022

---

Изучение машинного обучения (ML) — задача, которая может показаться непосильной из-за обилия доступных курсов и материалов. Патрик, разработчик и адвокат технологий в компании AssemblyAI, предлагает структурированный семишаговый план, рассчитанный примерно на три месяца интенсивного обучения. Этот путь подходит как для хобби, так и для подготовки к профессиональной карьере в сфере ML.

## 🧮 Шаг 1: Фундамент из математики
[[JUMP:0:52]]

Патрик убежден, что, несмотря на развитие фреймворков, скрывающих математические сложности, понимание основ необходимо для успешной работы. По мнению автора, знание математики дает более глубокое понимание алгоритмов и облегчает устранение неполадок, когда что-то идет не так.

* **Необходимый уровень:** Не нужно глубоко погружаться в теорию на старте. Рекомендуется освоить базовые курсы, а при возникновении трудностей в дальнейших ML-проектах возвращаться к изучению недостающих тем.
* **Ресурсы:** Отличным вариантом для начала являются бесплатные курсы на **Khan Academy**.

## 🐍 Шаг 2: Изучение Python
[[JUMP:1:55]]

Python является бесспорным стандартом в индустрии машинного обучения. Все современные фреймворки и популярные обучающие курсы базируются именно на нем.

* **Уровень навыков:** Нет необходимости становиться экспертом в разработке ПО, но уровень выше базового (beginner) значительно поможет в реализации проектов.
* **Обучение:** Патрик рекомендует использовать бесплатные видеокурсы на YouTube: один четырехчасовой курс для начинающих и шестичасовой курс промежуточного уровня.

## 📊 Шаг 3: Технологический стек (библиотеки)
[[JUMP:2:33]]

Этот этап фокусируется на освоении ключевых инструментов для работы с данными. Хотя эти навыки можно получить параллельно с изучением ML, автор видео советует заложить основу заранее.

* **Ключевые библиотеки:**
    * **NumPy:** база для математических операций.
    * **Pandas:** основной инструмент для манипуляции и обработки данных.
    * **Matplotlib:** библиотека для визуализации данных.
* **Совет:** Достаточно пройти по одному краткому курсу (crash course) на каждую библиотеку, чтобы понимать основы, прежде чем переходить к специализированным ML-фреймворкам.

## 🤖 Шаг 4: Специализированные ML-курсы
[[JUMP:3:37]]

После того как технические навыки программирования заложены, наступает время для глубокого погружения в машинное обучение.

* **Рекомендация:** Патрик выделяет *Machine Learning Specialization* от **Andrew Ng** на платформе **Coursera**.
* **Почему это важно:** Программа недавно была обновлена и теперь включает использование **Python**, **NumPy**, **scikit-learn** и **TensorFlow**. Это позволяет получить не только теоретические знания, но и первый опыт работы с реальными ML-библиотеками.

## 🛠 Шаг 5: Практика реализации «с нуля»
[[JUMP:4:18]]

Опциональный, но крайне полезный шаг — реализация алгоритмов вручную с помощью чистого Python и NumPy. По словам автора, именно этот подход помог многим студентам по-настоящему понять внутреннюю логику работы алгоритмов, изученных на курсе Эндрю Ына.

## 📝 Шаг 6: Подготовка данных и работа с Kaggle
[[JUMP:4:43]]

Машинное обучение — это не только модели, но и работа с данными. Патрик рекомендует использовать курсы на платформе **Kaggle** (например, *Intro to ML* и *Intermediate ML*), чтобы научиться правильно подготавливать данные (pre-processing) с использованием **Pandas**.

* **Практика:** Платформа **Kaggle.com** предоставляет тысячи датасетов и соревнований.
* **Совет:** Не стоит пытаться сразу выиграть денежные призы — это требует огромного опыта и вычислительных мощностей. Главная задача здесь — практика, настройка гиперпараметров и пополнение собственного портфолио для резюме.

## 🚀 Шаг 7: Карьера и развитие
[[JUMP:6:15]]

Для тех, кто планирует искать работу, автор дает несколько финальных советов:

* **Специализация:** Сфера ML обширна (Computer Vision, NLP, MLOps). Патрик рекомендует изучать вакансии в интересующем направлении и адаптировать обучение под их требования.
* **Личный блог:** Это один из самых эффективных способов заявить о себе. Написание туториалов и описание реализованных проектов помогает не только систематизировать знания, но и значительно повышает шансы на приглашение на собеседование.