машинное обучение, machine learning,

Почему машинное обучение — это просто?

Математика, физика и даже информатика, чаще всего преподаются с использованием восходящего подхода: темы логично следуют одна за другой, постепенно усложняясь и расширяясь. Но для успешного освоения того или иного навыка нужны ещё и мотивация, азарт и возможность видеть результат.

Повседневные навыки, такие как чтение, вождение и готовка, мы получили прямо противоположным путём — используя нисходящий подход. Он делает изучение технических навыков не только быстрее и продуктивнее, но и интереснее.

В этой статье речь пойдёт о принципиальной разнице между этими подходами и о том, какой подход лучше использовать для изучения машинного обучения.

Курс по Machine Learning
Идет набор в группу 3 800₽ в месяц

Восходящий подход к обучению

Возьмем, к примеру, математику.

Всё начинается с самых азов, темы последовательно и логично вытекают одна из другой, постепенно становятся сложнее и всё глубже погружают вас в изучаемый предмет. Проблема в том, что такая последовательность логична только для тех, кто уже прошел долгий математический путь и теперь понимает связь между темами.

Обучение в большинстве школ построено на основе восходящего подхода. С его помощью преподается большинство технических предметов. Вспомните учебу в старших классах или бакалавриате и то, как подавался материал по уже упомянутой математике, биологии, химии, физике или информатике. Информация выкладывалась еженедельно, семестр за семестром, год за годом. По порядку, в логической последовательности.

Но мы — не роботы, которым нужно последовательно подавать информацию. Мы эмоциональны и нас нужно мотивировать, заинтересовывать поддерживать, а главное — нам важно видеть результат.

Навык чтения

Вспомните, как вы научились читать? Скорее всего, всё происходило как-то так:

  • сначала родители читали вам, чтобы вызвать интерес к чтению и показать его преимущества;
  • затем вы выучили алфавит и научились правильно произносить буквы;
  • вы запомнили слова, которые чаще всего встречаете, и запомнили, как они пишутся и говорятся;
  • научились понимать и выяснять значения незнакомых слов по контексту;
  • потом вы читали книги под присмотром взрослых;
  • и наконец, начали читать книги самостоятельно.

Родители давали понять, что чтение неразрывно связано с конкретными вещами, которые вам нравятся: читали, что написано на заставках в телешоу, рассказывали истории о том, что вам интересно (например, о вселенной «Звёздных войн»), зачитывали меню в кафе и многое другое.

Также важно, что вы видели результаты и понимали показатели, по которым можно отслеживать прогресс:

  • увеличивающийся словарный запас;
  • более плавное чтение;
  • понимание всё более сложных книг.

А вот что не поможет научиться читать:

  • определение частей речи (глагол, существительное, наречие и т. д.);
  • заучивание грамматики и пунктуации;
  • изучение естественного языка.

Навык вождения

Если вы учились вождению, то наверняка сможете вспомнить некоторые тесты, которые писали в автошколе. Но вы точно не вспомните, как к ним готовились и что конкретно учили. Сдали — забыли.

Но вы, скорее всего, помните, как пришли к инструктору и учились водить. Каждый урок был практическим и проходил прямо в машине, вы оттачивали именно тот навык, который был нужен — вождение в потоке машин.

Вы вряд ли обсуждали с инструктором историю появления автомобилей, принципы работы двигателя внутреннего сгорания, распространённые неисправности автомобилей, их электрические системы или теорию транспортных потоков. Но людям всё-таки удаётся безопасно управлять автомобилем без каких-либо знаний по этим темам.

Курс «Python для анализа данных»
Идет набор в группу 2 700₽ в месяц

Навык программирования

Многие начинают программировать, не имея ни малейшего представления, что значит «писать код» или «разрабатывать программное обеспечение».

Если начать изучение программирования в университете, то вероятнее всего его будут преподавать, используя восходящий подход. Вы будете изучать теорию языков программирования, типы и структуры данных, потоки команд управления и прочая, прочая.

Когда вам наконец удастся написать код, он будет содержать множество ошибок, абсолютно не связанных с тем, что вы только что изучили.

В таком случае постарайтесь найти курсы, в которых используется иной подход — тот, который с первых же занятий включает в себя практику. Найдите сферу, которая вам нравится: веб-разработка, машинное обучение, фронтенд — что угодно. Свяжите абстрактную теорию с конкретными задачами.

Нисходящий подход к обучению

Восходящий подход — это не просто распространенный способ преподавания технических тем, зачастую он кажется единственно верным способом. По крайней мере, до тех пор, пока вы не начинаете задумываться о том, как вы учитесь.

Преподаватели стараются подавать материал последовательно, согласно логике изложения. Такой подход работает — но лишь для некоторых людей.

Альтернатива — нисходящий подход.

Не начинайте с определений и теории. Вместо этого выберите тему, которая вам интересна, и определите, что нужно для того, чтобы достичь желаемого результата. Углубляйтесь в новые темы по мере необходимости, но только если это без этого требуемого результата достичь не получится.

Это нестандартно

Это не традиционный подход. Не используйте привычные способы мышления, раз вы выбрали этот путь. Вы столкнётесь с трудностями:

  • к каждой теме придётся возвращаться снова и снова, чтобы лучше её понять;
  • поначалу результаты могут быть неудовлетворительными, лучший результат придёт с практикой;
  • вам нужно быть готовым постоянно учиться и узнавать новое;
  • любые изменения будут зависеть только от вас;
  • вам нужно быть любопытным и следить за темой, которая вам интересна.

Это опасно

Некоторые «эксперты» считают, что если вы не будете знать теорию, то у вас не выйдет ничего дельного. Да, возможно, поначалу вы будете ошибаться, но улучшения и компетенции появляются не только за благодаря знанию теоретических основ.

Тыжпрограммист

«Ты технарь, у тебя все должно получаться само собой», — знакомая фраза? Но мы, программисты, не учёные от рождения. Мы практики. И да, что-то может не получиться, но к любой теме всегда можно вернуться, когда понадобится.

Рациональный, эффективный и интересный способ обучения

У этого подхода множество преимуществ, которые перевешивают трудности:

  • вы выбираете, что вам интересно, и сразу начинаете этим заниматься;
  • у вас есть практическая основа, к которой вы можете привязать теоретические знания;
  • вы можете отсеивать ненужные темы и выбирать только действительно полезные.

Так быстрее. Так интереснее. Вам нравится то, что вы делаете, вы получаете от этого удовольствие и одновременно видите результаты обучения, что ещё сильнее мотивирует вас учиться дальше.

Машинное обучение

Мы настоятельно рекомендуем вам изучать машинное обучение с использованием нисходящего подхода. Мы имеем ввиду, что не надо начинать:

  • с математической теории;
  • с теории машинного обучения;
  • написания каждого алгоритма с нуля.

Все это можно наверстать позже, когда захочется разобраться в тонкостях и углубить знания. А пока советуем поступить так:

  1. Начните работать с очень простыми задачами, используя бесплатные и простые инструменты с открытым исходным кодом;
  2. Практикуйтесь на небольших проектах и ​​постепенно увеличивайте их сложность;
  3. Покажите свою работу, создав публичное портфолио.

Многие университетские «эксперты» скажут, что это нереально и у вас ничего не получится. Игнорируйте их. Практики мирового уровня скажут вам, что это способ, по которому они учились и продолжают учиться. Прислушайтесь к ним.

Помните:

  • Вы научились читать, практикуя чтение, а не изучая теорию языка.
  • Вы научились водить, практикуя вождение, а не изучая двигатели внутреннего сгорания.
  • Вы научились писать код, занимаясь программированием, а не изучая теорию вычислимости.

Можно научиться машинному обучению, практикуя прогностическое моделирование, а не изучая математику и теорию. Дерзайте и всегда стремитесь стать лучше.


Источник: You are wrong. Machine Learning is not hard

В апреле в SkillFactory стартуют сразу два курса для желающих изучать машинное обучение:

Курс по математике для Data Science

Курс по Machine Learning

Поделиться: