Please enable JavaScript.

Coggle requires JavaScript to display documents.

Machine Learning 実践投入のために (優良AIスタートアップの見分け方 http://sla.hatenablog…

- - - - 機械学習エンジニアリングのプロセスとスキルマップ
        
        ドメイン知識が重要
        ここは営業、ディレクターと協力が必要。
        クライアントとも、がっつりタッグを組まないをいけない。
        
        1.課題設定
        
        8.結果の解釈
        効果の検証
        
        2.データ収集
        
        技術スキルが重要
        
        機械学習のツールを使いこなすプロセス
        入門はだいたいココ
        
        5.評価
        
        3.特徴量設計
        
        4.モデリング
        
        スケーラブル・メンテナブルな
        アーキテクチャの知見が活きるプロセス
        
        6.本番環境実装
        
        7.モニタリング
- - - - どんな領域のどんな問題に機械学習が適用されているのか？
        https://www.kaggle.com/wiki/DataScienceUseCases
      - ほとんどの問題は機械学習でなくても解ける。まずは簡単な経験則に基づいたルールベースの方法から始めて、シンプルなルールでうまくいくなら機械学習を使う必要はない。
  - - - 機械学習の性能で見るべきメトリクスを、ビジネス的な要件を踏まえた上で見る癖をつけられるようになりますし、体系的なデータリテラシーの基本が身につきます。メトリクス計測の仕組み自体は基本的にツールに含まれています。
  - - - 読書
        
        データサイエンティスト養成読本機械学習入門編
        
        実践機械学習システム
        Building Machine Learning Systems with Python
        Willi Richert, Luis Pedro Coelho
        
        学び方ガイド
        https://thinkit.co.jp/article/9926
        
        ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
        
        Python機械学習プログラミング達人データサイエンティストによる理論と実践
        Python Machine Learning
        Sebastian Raschka
        
        ITエンジニアのための機械学習理論入門
      - Pythonでハンズオン
        
        DataQuest
        https://www.dataquest.io/
        これをベースに
        
        足りないところをこれで
        http://shop.oreilly.com/product/0636920052289.do