„Machine Learning Study allein ausprobieren“

baeba · 2026-07-16T09:47:55+09:00

1. Zweck und Aufbau des Dokuments Dieser Beitrag ist eine systematisch zusammengestellte Lernsammlung für Menschen, die Machine Learning und Deep Learning im Selbststudium lernen möchten, mit Vorlesungen, Blogs, GitHub-Repositories, Papers, Datensätzen und mehr. Es ist nicht nur eine einfache Linkliste, sondern zeigt auch Lernschwierigkeit und Einsatzzweck auf, damit Einsteiger wissen, in welcher Reihenfolge sie am besten lernen. Behandelt werden Themen von Python über Mathematik und Statistik bis hin zu Machine Learning, Deep Learning, LLMs und praktischen Kaggle-Übungen. Das Ganze wird als offenes GitHub-Projekt betrieben, zu dem mehrere Mitwirkende Materialien hinzufügen. 2. Empfohlene Lernreihenfolge Empfohlen wird ein Ablauf, bei dem man zuerst die Python-Syntax lernt, dann Daten mit NumPy und Pandas verarbeitet und sie mit Werkzeugen wie Matplotlib visualisiert. Anschließend lernt man lineare Algebra, Differentialrechnung sowie Wahrscheinlichkeitsrechnung und Statistik, um die Prinzipien von Machine-Learning-Algorithmen zu verstehen. Im nächsten Schritt werden klassisches Machine Learning mit Scikit-learn und Deep Learning auf Basis von TensorFlow und PyTorch behandelt. Am Ende soll man durch Kaggle-Projekte, Paper-Reproduktionen und reale Datenanalysen seine praktische Kompetenz steigern. 3. Grundlagen in Mathematik und Statistik Es sind Vorlesungen zusammengestellt, die mathematische Konzepte erklären, die für das Lernen von AI nötig sind, etwa Vektoren, Matrizen, Ableitungen, partielle Ableitungen, natürlicher Logarithmus und Ähnlichkeitsmaße. Im Bereich Statistik werden Wahrscheinlichkeitsverteilungen, Normalverteilung, Hypothesentests, p-value, Konfidenzintervalle und die Bayes-Theorie behandelt. Enthalten sind auch Materialien zu AR, MA und ARIMA für die Zeitreihenanalyse sowie zur Fourier-Transformation und Empirical Mode Decomposition in der Signalverarbeitung. Vorrangig empfohlen werden Einsteigermaterialien, mit denen sich komplexe Formeln durch Abbildungen und handschriftliche Vorlesungen leicht verstehen lassen. 4. Klassisches Machine Learning Zunächst werden die grundlegenden Prinzipien erklärt, wie Modelle lernen, etwa Gradientenabstieg, Backpropagation und Loss Functions. Behandelt werden typische Algorithmen wie lineare Regression, logistische Regression, Entscheidungsbäume, KNN, SVM, PCA und Clustering. Enthalten sind auch Methoden zur Verringerung von Overfitting wie L1- und L2-Regularisierung sowie Lasso, Ridge und ElasticNet. Zu jedem Thema gibt es sowohl Konzeptmaterial als auch Python-Implementierungen, um Theorie und Praxis zu verbinden. 5. Wichtige Bereiche des Deep Learning Ausgehend von der Struktur neuronaler Netze werden zentrale Deep-Learning-Modelle wie CNN, RNN, LSTM, GAN und Reinforcement Learning geordnet vorgestellt. Im Computer Vision-Bereich werden Anwendungsfälle für Objekterkennung, Bildsegmentierung, autonomes Fahren und OpenCV vorgestellt. In der Sprachverarbeitung werden Word2Vec, BERT, GPT, Transformer, Attention und Seq2Seq behandelt. Man kann nicht nur den Einsatz einfacher Modelle lernen, sondern auch Papers verstehen, Code implementieren und Hyperparameter anpassen. 6. Aktuelle AI-Technologien und Lernmethoden Vorgestellt werden Technologien wie AutoML, Bayes'sche Optimierung, Hyperband und NAS, die Modellstrukturen und Parameter automatisch finden. Meta-Learning ist ein Verfahren, um neue Probleme schnell zu lernen, während Active Learning nur die benötigten Daten für das Training auswählt. Federated Learning trainiert Modelle gemeinsam auf mehreren Geräten, ohne die Daten auf einem zentralen Server zu sammeln. Inkrementelles und Continual Learning behandeln Methoden, mit denen neue Daten fortlaufend gelernt werden, ohne vorhandenes Wissen zu verlieren. 7. LLM, LangChain und ChatGPT Vorgestellt werden AI-Agenten wie AutoGPT, die ein vom Nutzer vorgegebenes Ziel in mehrere Schritte aufteilen und automatisch ausführen. Anhand von Beispielen wie KoChatGPT und KoAlpaca lassen sich koreanisches LLM-Finetuning sowie RLHF- und LoRA-Techniken lernen. Die LangChain-Materialien behandeln, wie sich LLMs mit PDFs, Websites, CSV- und Excel-Dateien sowie Hugging Face-Modellen verbinden lassen. Mit der OpenAI API-Dokumentation und dem Cookbook lassen sich Dienste für Frage-Antwort, Dokumentenzusammenfassung und Datenanalyse entwickeln. 8. Praxisnahes Lernen mit Kaggle und Dacon Von den ersten Schritten in Kaggle über die Nutzung von Datensätzen und der API bis zu Wettbewerbsabläufen und Siegerlösungen werden Materialien stufenweise bereitgestellt. Mit Problemen wie Titanic, Hauspreisen, Kreditrisiken und Fahrradbbedarf lassen sich Klassifikations- und Regressionsaufgaben üben. Auch Wettbewerbe und Tutorials nach Bereichen wie Bilderkennung, Sprachverarbeitung, Zeitreihen und Audio sind getrennt aufgeführt. Entscheidend ist, bei realitätsnahen Problemen Erfahrungen in Datenvorverarbeitung, Modellvalidierung und Leistungsverbesserung zu sammeln. 9. Unterschiedliche Formen von Lernmaterialien Die Vorlesungen bestehen vor allem aus kostenlosen oder öffentlich verfügbaren Inhalten von Coursera, Stanford, T Academy und YouTube. In Blogs werden Themen wie Mathematik, Statistik, Papers und Sprachverarbeitung vertieft erklärt. GitHub-Repositories enthalten ausführbare Jupyter Notebooks, Beispielcode, vortrainierte Modelle und Datensätze. Wikidocs und E-Books eignen sich, um Python, Deep Learning oder algorithmischen Handel wie in einem Buch der Reihe nach zu lernen. 10. Open Data und Entwicklungstools Vorgestellt werden verschiedene Datenquellen wie AI Hub, Public Data Portal, Seoul Open Data Plaza und Papers with Code. Bibliotheken rund um TensorFlow, PyTorch und Scikit-learn werden nach Einsatzzweck geordnet. Enthalten sind auch PublicDataReader zum Abrufen öffentlicher Daten als DataFrame sowie medizinische, visuelle und koreanische Datensätze. Es gibt außerdem Materialien zu Docker-basierten Entwicklungsumgebungen und zum Aufbau von GPU-Servern, was beim Einrichten realer Projektumgebungen hilft. 11. Community und Karriereinformationen Über Communities wie TensorFlow Korea, PyTorch KR und Kaggle Korea lassen sich Fragen und Informationen nach Technologiebereich austauschen. Interviews mit aktiven Data Scientists und Machine-Learning-Ingenieuren geben Einblicke in Arbeit, Jobsuche, Gehalt und Erfahrungen mit einem Graduiertenstudium. Man kann sich auch mit Einstiegsmöglichkeiten für Menschen ohne Fachhintergrund sowie den Rollenunterschieden zwischen Data Scientist und ML Engineer befassen. Es wird gezeigt, dass neben dem Techniklernen auch Portfolio, Wettbewerbe und Community-Aktivitäten wichtig für die Karrierevorbereitung sind. Kerneinschätzung Perspektive Inhalt Charakter des Materials Umfassende Sammlung von Links und Praxismaterialien für das Selbststudium in Machine Learning und AI Wichtigste Vorteile Große Bandbreite von Grundlagen bis zu aktuellen LLMs und viele kostenlose Materialien Geeignete Leser AI-Einsteiger, Entwickler, Datenanalysten, Kaggle-Interessierte Nutzungsmethode Besser einen Lernpfad passend zum eigenen Zielgebiet wählen, statt alle Materialien der Reihe nach durchzugehen Hinweis Einige Materialien sind älter, daher sollten Bibliotheksversionen und die Aktualität der Technologien geprüft werden

(github.com/teddylee777)

32 Punkte von baeba 6 시간 전 | 2 Kommentare | Auf WhatsApp teilen

1. Zweck und Aufbau des Dokuments

Dieser Beitrag ist eine systematisch zusammengestellte Lernsammlung für Menschen, die Machine Learning und Deep Learning im Selbststudium lernen möchten, mit Vorlesungen, Blogs, GitHub-Repositories, Papers, Datensätzen und mehr.
Es ist nicht nur eine einfache Linkliste, sondern zeigt auch Lernschwierigkeit und Einsatzzweck auf, damit Einsteiger wissen, in welcher Reihenfolge sie am besten lernen.
Behandelt werden Themen von Python über Mathematik und Statistik bis hin zu Machine Learning, Deep Learning, LLMs und praktischen Kaggle-Übungen.
Das Ganze wird als offenes GitHub-Projekt betrieben, zu dem mehrere Mitwirkende Materialien hinzufügen.

2. Empfohlene Lernreihenfolge

Empfohlen wird ein Ablauf, bei dem man zuerst die Python-Syntax lernt, dann Daten mit NumPy und Pandas verarbeitet und sie mit Werkzeugen wie Matplotlib visualisiert.
Anschließend lernt man lineare Algebra, Differentialrechnung sowie Wahrscheinlichkeitsrechnung und Statistik, um die Prinzipien von Machine-Learning-Algorithmen zu verstehen.
Im nächsten Schritt werden klassisches Machine Learning mit Scikit-learn und Deep Learning auf Basis von TensorFlow und PyTorch behandelt.
Am Ende soll man durch Kaggle-Projekte, Paper-Reproduktionen und reale Datenanalysen seine praktische Kompetenz steigern.

3. Grundlagen in Mathematik und Statistik

Es sind Vorlesungen zusammengestellt, die mathematische Konzepte erklären, die für das Lernen von AI nötig sind, etwa Vektoren, Matrizen, Ableitungen, partielle Ableitungen, natürlicher Logarithmus und Ähnlichkeitsmaße.
Im Bereich Statistik werden Wahrscheinlichkeitsverteilungen, Normalverteilung, Hypothesentests, p-value, Konfidenzintervalle und die Bayes-Theorie behandelt.
Enthalten sind auch Materialien zu AR, MA und ARIMA für die Zeitreihenanalyse sowie zur Fourier-Transformation und Empirical Mode Decomposition in der Signalverarbeitung.
Vorrangig empfohlen werden Einsteigermaterialien, mit denen sich komplexe Formeln durch Abbildungen und handschriftliche Vorlesungen leicht verstehen lassen.

4. Klassisches Machine Learning

Zunächst werden die grundlegenden Prinzipien erklärt, wie Modelle lernen, etwa Gradientenabstieg, Backpropagation und Loss Functions.
Behandelt werden typische Algorithmen wie lineare Regression, logistische Regression, Entscheidungsbäume, KNN, SVM, PCA und Clustering.
Enthalten sind auch Methoden zur Verringerung von Overfitting wie L1- und L2-Regularisierung sowie Lasso, Ridge und ElasticNet.
Zu jedem Thema gibt es sowohl Konzeptmaterial als auch Python-Implementierungen, um Theorie und Praxis zu verbinden.

5. Wichtige Bereiche des Deep Learning

Ausgehend von der Struktur neuronaler Netze werden zentrale Deep-Learning-Modelle wie CNN, RNN, LSTM, GAN und Reinforcement Learning geordnet vorgestellt.
Im Computer Vision-Bereich werden Anwendungsfälle für Objekterkennung, Bildsegmentierung, autonomes Fahren und OpenCV vorgestellt.
In der Sprachverarbeitung werden Word2Vec, BERT, GPT, Transformer, Attention und Seq2Seq behandelt.
Man kann nicht nur den Einsatz einfacher Modelle lernen, sondern auch Papers verstehen, Code implementieren und Hyperparameter anpassen.

6. Aktuelle AI-Technologien und Lernmethoden

Vorgestellt werden Technologien wie AutoML, Bayes'sche Optimierung, Hyperband und NAS, die Modellstrukturen und Parameter automatisch finden.
Meta-Learning ist ein Verfahren, um neue Probleme schnell zu lernen, während Active Learning nur die benötigten Daten für das Training auswählt.
Federated Learning trainiert Modelle gemeinsam auf mehreren Geräten, ohne die Daten auf einem zentralen Server zu sammeln.
Inkrementelles und Continual Learning behandeln Methoden, mit denen neue Daten fortlaufend gelernt werden, ohne vorhandenes Wissen zu verlieren.

7. LLM, LangChain und ChatGPT

Vorgestellt werden AI-Agenten wie AutoGPT, die ein vom Nutzer vorgegebenes Ziel in mehrere Schritte aufteilen und automatisch ausführen.
Anhand von Beispielen wie KoChatGPT und KoAlpaca lassen sich koreanisches LLM-Finetuning sowie RLHF- und LoRA-Techniken lernen.
Die LangChain-Materialien behandeln, wie sich LLMs mit PDFs, Websites, CSV- und Excel-Dateien sowie Hugging Face-Modellen verbinden lassen.
Mit der OpenAI API-Dokumentation und dem Cookbook lassen sich Dienste für Frage-Antwort, Dokumentenzusammenfassung und Datenanalyse entwickeln.

8. Praxisnahes Lernen mit Kaggle und Dacon

Von den ersten Schritten in Kaggle über die Nutzung von Datensätzen und der API bis zu Wettbewerbsabläufen und Siegerlösungen werden Materialien stufenweise bereitgestellt.
Mit Problemen wie Titanic, Hauspreisen, Kreditrisiken und Fahrradbbedarf lassen sich Klassifikations- und Regressionsaufgaben üben.
Auch Wettbewerbe und Tutorials nach Bereichen wie Bilderkennung, Sprachverarbeitung, Zeitreihen und Audio sind getrennt aufgeführt.
Entscheidend ist, bei realitätsnahen Problemen Erfahrungen in Datenvorverarbeitung, Modellvalidierung und Leistungsverbesserung zu sammeln.

9. Unterschiedliche Formen von Lernmaterialien

Die Vorlesungen bestehen vor allem aus kostenlosen oder öffentlich verfügbaren Inhalten von Coursera, Stanford, T Academy und YouTube.
In Blogs werden Themen wie Mathematik, Statistik, Papers und Sprachverarbeitung vertieft erklärt.
GitHub-Repositories enthalten ausführbare Jupyter Notebooks, Beispielcode, vortrainierte Modelle und Datensätze.
Wikidocs und E-Books eignen sich, um Python, Deep Learning oder algorithmischen Handel wie in einem Buch der Reihe nach zu lernen.

10. Open Data und Entwicklungstools

Vorgestellt werden verschiedene Datenquellen wie AI Hub, Public Data Portal, Seoul Open Data Plaza und Papers with Code.
Bibliotheken rund um TensorFlow, PyTorch und Scikit-learn werden nach Einsatzzweck geordnet.
Enthalten sind auch PublicDataReader zum Abrufen öffentlicher Daten als DataFrame sowie medizinische, visuelle und koreanische Datensätze.
Es gibt außerdem Materialien zu Docker-basierten Entwicklungsumgebungen und zum Aufbau von GPU-Servern, was beim Einrichten realer Projektumgebungen hilft.

11. Community und Karriereinformationen

Über Communities wie TensorFlow Korea, PyTorch KR und Kaggle Korea lassen sich Fragen und Informationen nach Technologiebereich austauschen.
Interviews mit aktiven Data Scientists und Machine-Learning-Ingenieuren geben Einblicke in Arbeit, Jobsuche, Gehalt und Erfahrungen mit einem Graduiertenstudium.
Man kann sich auch mit Einstiegsmöglichkeiten für Menschen ohne Fachhintergrund sowie den Rollenunterschieden zwischen Data Scientist und ML Engineer befassen.
Es wird gezeigt, dass neben dem Techniklernen auch Portfolio, Wettbewerbe und Community-Aktivitäten wichtig für die Karrierevorbereitung sind.

Kerneinschätzung

Perspektive	Inhalt
Charakter des Materials	Umfassende Sammlung von Links und Praxismaterialien für das Selbststudium in Machine Learning und AI
Wichtigste Vorteile	Große Bandbreite von Grundlagen bis zu aktuellen LLMs und viele kostenlose Materialien
Geeignete Leser	AI-Einsteiger, Entwickler, Datenanalysten, Kaggle-Interessierte
Nutzungsmethode	Besser einen Lernpfad passend zum eigenen Zielgebiet wählen, statt alle Materialien der Reihe nach durchzugehen
Hinweis	Einige Materialien sind älter, daher sollten Bibliotheksversionen und die Aktualität der Technologien geprüft werden

2 Kommentare

ihope 4 시간 전

Oh~~ so etwas mag ich~!

blizard4479 4 시간 전

Wow, vielen Dank für die großartigen Materialien!