https://github.com/surfstudio/mlcandidatepath
https://github.com/surfstudio/mlcandidatepath
Last synced: 7 months ago
JSON representation
- Host: GitHub
- URL: https://github.com/surfstudio/mlcandidatepath
- Owner: surfstudio
- Created: 2017-04-07T17:02:00.000Z (over 8 years ago)
- Default Branch: master
- Last Pushed: 2019-04-09T10:39:02.000Z (over 6 years ago)
- Last Synced: 2025-01-25T22:57:55.243Z (8 months ago)
- Size: 11.7 KB
- Stars: 22
- Watchers: 10
- Forks: 9
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Путь Тони Старка в машинном обучении
Пара слов о том, как читать этот список и выбирать из него материалы.
На данный момент Surf специализируется в своих разработках на 3 основных направлениях:
- Классическое машинное обучение (Machine Learning)
- Рекомендальные системы (Recommender Systems)
- Глубокое обучение (Deep Learning)
Мы _очень иногда_ занимаемся обработкой естественных языков (Natural Language Processing) и _не_ занимаемся обучением с подкреплением (Reinforcement Learning). Также у нас нет предсказаний в области спорта, цен акций или курса валют или металлов. Только классические задачи.
Поэтому ваши знания будут ранжированы нам согласно нашему профилю.
------
* ✅ - желательно, чтобы знал(-а)
* ➕ - будет плюсом, но не обязательно
* 🍒 - тоже хорошая вещь, но вряд ли пригодится в работе
## Повторить математику
* ✅ http://students.brown.edu/seeing-theory/ - Тервер, матстат
* ✅ https://stepik.org/course/Основы-статистики-76/ - Матстат
* ✅ https://sites.google.com/site/butwhymath/ - Алгебра, диф.исчисление, комплексные числа, Фурье
* ✅ http://immersivemath.com/ila/index.html - Линал
* ✅ https://stepik.org/course/Дискретные-структуры-83/syllabus - Дискретка
* ➕ https://www.khanacademy.org/math - Всё
## Основы машинного обучения
* ✅ https://www.coursera.org/learn/machine-learning - Классический курс от Andrew Ng
* ➕ https://www.coursera.org/specializations/machine-learning-data-analysis - Специализация от Яндекса и МФТИ
* ➕ http://wiki.cs.hse.ru/Машинное_обучение_1 - Курс от ВШЭ
* 🍒 https://github.com/esokolov/ml-course-msu - Курс от МГУ, много математики
* ✅ https://www.youtube.com/watch?v=u433nrxdf5k - Лекция по временным рядам
## Глубокое обучение
* ✅ https://dlcourse.ai/ - Русский курс по Deep Learning от Семёна Козлова
* ➕ https://www.coursera.org/specializations/deep-learning - Мощная и классная специализация по DL, состоящая из 5 курсов
* ➕ http://cs231n.stanford.edu/syllabus.html - Stanford CS231n
* 🍒 https://www.fast.ai/2019/01/24/course-v3/ - Practical Deep Learning For Coders
* 🍒 http://yerevann.com/a-guide-to-deep-learning/ - A Guide to Deep Learning by Yerevann
## Рекомендательные системы
* ➕ https://www.cse.iitk.ac.in/users/nsrivast/HCC/Recommender_systems_handbook.pdf - Recommender Systems
Handbook (2nd Edition)
* ➕ https://www.twirpx.com/file/2214444/ - Aggarwal C.C. Recommender Systems: The Textbook
## NLP
* ➕ http://web.stanford.edu/class/cs224n/ - Stanford CS224n
* 🍒 https://stepik.org/course/Введение-в-обработку-естественного-языка-1233/syllabus - Введение в обработку естественного языка
* 🍒 https://nlpub.ru/ - NLPub
## Обучение с подкреплением
* 🍒 http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html - UCL Course on RL
* 🍒 http://rll.berkeley.edu/deeprlcourse/#lecture-videos - RL от Berkeley
* 🍒 https://github.com/yandexdataschool/Practical_RL - RL от ШАДа
## Компиляции
* ➕ http://homepages.inf.ed.ac.uk/rbf/IAPR/researchers/MLPAGES/mltut.htm
* 🍒 https://github.com/ChristosChristofidis/awesome-deep-learning - Awesome Deep Learning
## Книги
* ✅ https://www.ozon.ru/context/detail/id/142987816/?gclid=CjwKCAjwhbHlBRAMEiwAoDA34-kMeeAVz5dgLUPwuQ8_uXSKFQz7A4wyly5GhQ1XGUrwuqJx-lsivhoCV3gQAvD_BwE - Хорошая книжка Николенко по глубокому обучению
* ✅ [Chollet, Deep Learning with Keras](https://github.com/hktxt/bookshelf/blob/master/Computer%20Science/Deep%20Learning%20with%20Python%2C%20Fran%C3%A7ois%20Chollet.pdf) - Глубокое обучение на примерах, все на Keras
* ➕ http://www.deeplearningbook.org/ - Deep Learning Book - в начале есть математика, необходимая в работе
* ➕ https://web.stanford.edu/~hastie/Papers/ESLII.pdf - Elements of Statistical Learning, главы 1-4, 7.
## В конце-концов
* ✅ http://www.itshared.org/2015/10/data-science-interview-questions.html - Убедись, что на много отсюда сможешь ответить
* ➕ https://blog.insightdatascience.com/best-practices-for-interviewing-data-science-candidates-823219120b2e - Посмотреть на интервью с нашей стороны