Najpierw jedna mała uwaga. Podejrzewam, że ze względu na popularność uczenia maszynowego na tym temacie koncentrują się przede wszystkim właściciele firm oraz programiści. W pierwszym przypadku przypominam, że wprowadzanie nowości tylko dlatego, że inny tak robią to doskonały sposób na zmarnowanie funduszy. W przypadku uczenia maszynowego (i big data, bo te zagadnienia często są ze sobą powiązane) warto wiedzieć, jak może ono pomóc w rozwoju przedsiębiorstwa. Ślepa pogoń za innowacjami z reguły kończy się źle. Jeżeli zaś chodzi o programistów, to chciałbym wystosować drobną adnotację do tych, którzy dopiero zaczynają swoją przygodę z rozwiązaniem problemów przez pisanie kodu. Nie sądzę, aby uczenie maszynowe było dobrym startem. To zagadnienie wymaga niezłej znajomości języka, w którym się programuje, a także zagadnień z zakresu matematyki i statystki. Lepiej zacząć od nieśmiertelnego „Hello World” niż od programu mającego na celu rozpoznawanie obrazów.

Dlaczego o tym wspominam? Od początku roku uczę się Pythona. Z tego języka korzystam głównie do analizy i wizualizacji danych. Dlatego zaprzyjaźniłem się z takimi bibliotekami jak Pandas, NumPy i Plotly. Tworzenie raportów zacząłem przenosić do JuPytera. Nieśmiało zacząłem interesować się zagadnieniami związanymi z uczeniem maszynowym. Trafiłem na ciekawe repozytorium na GitHubie – „Industry Machine Learning”. Tam znalazłem różne zastosowania uczenia maszynowego. Wszystko to działające rozwiązania, a wiele z nich ma otwarty kod źródłowy, z którym można się zapoznać. Można też obejrzeć tutorial na YouTubie albo przeczytać książkę, ale – moim zdaniem – warto także zobaczyć, jak uczenie maszynowe stosują inni. Wiele razy, np. od programistów w firmie, słyszałem, że w przypadku programowania ważne jest także czytanie cudzego kodu. Dlatego gorąco zachęcam do przejrzenia rozwiązań, które zostały zebrane w „Industry Machine Learning”.

Mam jeszcze coś dla osób, które chcą podjąć się tematu uczenia maszynowego, ale nie wiedzą, od czego zacząć. Ja postanowiłem przejrzeć materiały znajdujące się w repozytorium „Awesome Machine Learning”. Znajdziecie tam nie tylko książki, kursy, tutoriale i newslettery. Jest tam także coś bardzo cennego. W „Awesome Machine Learnig” znajdziecie potężną listę bibliotek i frameworków, które możecie wykorzystać w pracy nad uczeniem maszynowym. Na dodatek są one podzielone na kategorie i zostały krótko opisane. Przydaje się, gdy poszukujecie rozwiązania dla problemu, nad którym myślicie od dłuższego czasu. Na dodatek, co dla mnie jest bardzo ważne, wiele z frameworków i bibliotek ma otwarty kod.

Takich zestawów jest mnóstwo na GitHubie. Dotyczą nie tylko uczenia maszynowego, ale także innych zagadnień. Eksplorujcie bezkresne morze repozytoriów! Można tam znaleźć wiele skarbów!