AI & ML Learning Repository 🤖📚

Добро пожаловать в мой репозиторий для изучения машинного обучения!

🎯 О себе

Я начинающий ML инженер, который активно изучает создание моделей машинного обучения. Этот репозиторий является моим дневником обучения и местом для экспериментов с различными алгоритмами и техниками.

🚀 Цели обучения

• Основы машинного обучения: Изучение фундаментальных концепций ML
• Создание моделей: Практическое освоение различных типов моделей
• Обработка данных: Изучение техник предобработки и анализа данных
• Глубокое обучение: Освоение нейронных сетей и deep learning
• MLOps: Изучение практик развертывания и сопровождения ML-моделей

📖 Темы для изучения

Уже изучаю:

• Линейная регрессия
• Логистическая регрессия
• Деревья решений
• Случайный лес (Random Forest)
• Машины опорных векторов (SVM)

Планирую изучить:

• Нейронные сети (MLP)
• Сверточные нейронные сети (CNN)
• Рекуррентные нейронные сети (RNN/GRU)
• Трансформеры (Self-Attention)
• Обучение с подкреплением

🛠️ Технологический стек

• Python - основной язык программирования
• PyTorch - основной фреймворк для deep learning
• Pandas - для работы с данными
• NumPy - для численных вычислений
• Scikit-learn - для классических алгоритмов ML и метрик
• Matplotlib/Seaborn - для визуализации
• Torchtext - для обработки текстовых данных

Планирую освоить:

• TensorFlow/Keras - альтернативный фреймворк для DL
• MLflow - для отслеживания экспериментов
• Docker - для контейнеризации моделей

🎓 Ресурсы для обучения

• Онлайн курсы по машинному обучению
• Техническая литература
• Open source проекты
• Kaggle соревнования
• YouTube каналы по ML/AI

📊 Прогресс

✅ Выполненные архитектуры нейронных сетей:

• Многослойный персептрон (MLP) - реализована полная архитектура с обучением на MNIST
• Сверточная нейронная сеть (CNN) - реализована для классификации изображений CIFAR-10
• Рекуррентная нейронная сеть (RNN) - реализована для анализа текстов IMDB
• GRU (Gated Recurrent Unit) - реализована для анализа отзывов Amazon
• Self-Attention/Transformer - реализован простой механизм внимания

🔄 В работе:

• Оптимизация архитектур
• Эксперименты с гиперпараметрами
• Работа с различными датасетами

📈 Достижения:

• Освоение PyTorch для создания нейронных сетей
• Реализация пяти различных архитектур глубокого обучения
• Работа с компьютерным зрением и обработкой естественного языка
• Понимание механизмов внимания и трансформеров

Текущий фокус: Углубленное изучение трансформеров и механизмов внимания

🤝 Связь

Я открыт для обратной связи, советов и сотрудничества с другими изучающими ML!

---

Этот репозиторий постоянно развивается по мере моего обучения машинному обучению. Каждый коммит - это шаг вперед в понимании искусственного интеллекта.