Słuchajcie, właśnie skończyłem kurs wprowadzający do AI i uczenia maszynowego i mam trochę mętlik w głowie, jeśli chodzi o to, od czego zacząć dalej. W trakcie zajęć liznęliśmy teorii, ale kiedy próbuję sam coś zbudować, to gubię się w ilości dostępnych narzędzi. Czy wy po kursie mieliście jakieś konkretne narzędzia albo środowiska, które naprawdę pomogły wam wejść w praktyczne ML?
Czy wy po kursie mieliście jakieś konkretne narzędzia albo środowiska, które naprawdę pomogły wam wejść w praktyczne ML?
Ja miałem dokładnie to samo po swoim kursie — niby rozumiałem koncepcje, ale gdy przyszło do praktyki, to nie wiedziałem, co kliknąć ani jak poskładać workflow. Najbardziej pomogło mi to, że po szkoleniu wróciłem do materiałów z solidne podstawy sztucznej inteligencji
, bo dopiero wtedy zacząłem lepiej widzieć, jak teoria łączy się z narzędziami.
Jeśli chodzi o praktykę: jako pierwsze wziąłem Jupyter Notebook, bo pozwala ogarniać kod kawałkami i od razu widzieć wynik. Potem naturalnie przyszły biblioteki jak scikit-learn, bo mają mnóstwo gotowych algorytmów, które wystarczy tylko nakarmić danymi. Z bardziej “życiowych” rzeczy — bardzo polecam MLflow do śledzenia eksperymentów. Na początku ignorowałem takie rzeczy, a potem miałem bałagan w wersjach modeli i nie wiedziałem, co właściwie działa.
Dodatkowo, jeśli chcesz się pobawić czymś bardziej intuicyjnym, to Google Colab jest super, bo dostajesz GPU bez kombinowania, a przy trenowaniu prostych sieci to mega pomaga. Nie ma jednej drogi, ale dobrze zacząć od narzędzi, które pozwalają widzieć postępy i nie przytłaczają zbyt dużą ilością konfiguracji.
Na przykład ja długo nie mogłem się przekonać do Notebooków i dopiero VS Code z rozszerzeniami do Pythona mi „zaskoczył”. Ważne, żeby znaleźć narzędzia, które nie tylko są polecane, ale też zwyczajnie pasują do twojego stylu pracy. Jeśli masz czas, spróbuj kilku i zobacz, na czym najlepiej Ci się myśli.