Мой план по вхождению в машинное обучение⁠⁠

Я С/С++ девелопер (ну плюс там "всякие" python, bash, SQL и С# для бизнес логики ), даже уже тимлидир в большой международной компании с общим стажем (если считать университет) больше 20 лет, занимаюсь системной и прикладной разработкой в области безопасности данных, что включает в себя немного “ядерного” программирования, сети (включая перекачку  терабайтов с одного конца планеты в другой, целых датацентров), криптография, работа с разными файловыми системами на уровне чтения самих структур данных на диске, демоны, сервисы, кластеры, и пр. Но понимаю, что “время уходит”, общаясь на конференциях, замечаю, что во многих компаниях в том числе FAAMG новые проекты начинаются на Rust-е вместо C/C++, но это не самое “страшное”, более важный (для меня) момент, что все больше проектов, стартапов и просто денег так или иначе идет в область связанную с искусственным интеллектом и около него.

Потому решил попробовать накидать для себя план на полтора-два года “покорения” из того, что вижу три кита машинного обучения это мат. анализ, линейная алгебра, и тер.вер со статистикой. Моя “математическую база” из книг и курсов:

По линейной алгебре кроме ВУЗовских учебников, пока для себя вижу следующие ресурсы

The Bright Side of Mathematics

https://www.youtube.com/playlist?list=PLBh2i93oe2qtXb7O-kPaEhAtFEb3n9Huu

плюс дополнительно книги

Fundamentals of matrix computation David S. Watkins

Advanced Linear and Matrix Algebra, Nathaniel Johnston

Мат. анализ

мне еще в университете нравился Зорич, думаю, что его и буду использовать, для машинного обучения, видится что двух томов Зорича достаточно

Теория вероятности

Можно послушать конечно курсы

https://www.edx.org/learn/probability/harvard-university-introduction-to-probability

но опять же с университета остались хорошие впечатления о учебниках Феллера

An Introduction to Probability Theory and Its Applications

еще запомнилась с военной кафедры хорошая книга: Введение в исследование операций  Вентцеля.

по статистике нашел как мне кажется не плохой канал

https://www.youtube.com/playlist?list=PLblh5JKOoLUK0FLuzwntyYI10UQFUhsY9

книги

Modern Mathematical Statistics with Applications, Jay L. Devore

когда-то давно попадалась на глаза книга по регрессионному анализу

Applied Regression Analysis  Norman R. Draper

и в целом интересная “карта” математики и не только для машинного обучения https://maps.joindeltaacademy.com/?concept=142

Единственно что мне не очень нравится это идея  сначало жестко погружаться в математику, а потом переходит к машинному обучению, на мой взгляд это выглядит двойной работой, что то у меня до сих пор есть в памяти с университета типа матричных факторизаций LU, QR, SVD или пределы, производные, преобразование Фурье и пр. И более эффективным видится путь изучая машинное обучение и спотыкаясь на каком то математическом термине, утрированно скажем векторное пространство идти  в соответствующий учебник и задачник для закрепления если требуется.

В целом думаю все-таки вкатываться в область Computer Vision поскольку когда-то занимался цифровой обработкой сигналов, был опыт проектов в радиолокации и цифровой обработки спутниковых снимков, в целом многие вещи как цифровая фильтрация, преобразование Фурье, Вейвлет-преобразование и пр. знакомы.  

Но так же вижу смысл сначала послушать “общие” курсы по машинному обучению, начать планирую с стэндфордского курса на курсере, плюс на удивления для себя обнаружил не плохой курс на stepik.org от Samsung-а по компьютерному зрению.

Дополнительно подобрал себе книги:

Computer Vision: Algorithms and Applications (Texts in Computer Science) Richard Szeliski

Computer Vision: Principles, Algorithms, Applications, Learning E. R. Davies

Advanced Methods and Deep Learning in Computer Vision (Computer Vision and Pattern Recognition)  E. R. Davies

Computer Vision: Models, Learning, and Inference  Simon J. D

Photogrammetric Computer Vision: Statistics, Geometry, Orientation and Reconstruction: 11 (Geometry and Computing, 11) Wolfgang Förstner

Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images Valliappa Lakshmanan

Из опыта без практической задачи эффективность самообучения низкая, для себя нашел такую задачу: сделать “систему автотестирования” которая будет запоминать визуальные действия пользователя и повторять за ним исключительно опираясь на распознавание экрана.  Поскольку у меня есть семья, дети, хобби, интересы, увлечения, придется чем-то жертвовать на полтора года, в первую очередь придется “зарезать” все развлечения, поскольку в среднем думаю нужно выделить не меньше 3 часов в день.