Machine learning roadmap from zero to professional – 2024

Machine learning is the science of the times, as the demand for its learning is increasing rapidly and significantly

In this article, we will shed light on the best way to learn machine learning skills so that the learner can invest them in the future in developing scientific research worldwide.

Therefore, we must first mention the concept of machine learning in a nutshell

Machine learning is a set of information that is fed into a computer in order to develop and grow over time by developing statistical models and algorithms on which computer systems operate without resorting to specific orders.

Machine learning map:

The first stage: learning the programming language

In this case, it is preferable to learn Python, as it is the most powerful and popular, due to the libraries it contains such as Pandas, Numpy, and Scikit, which are specialized in machine learning, statistics, and mathematics.

The second stage: learning linear algebra

Linear learning is one of the branches of mathematics, but it tends to deal with linear transformations and is also concerned with dealing with matrices and vectors.

Learning linear algebra is a crucial step forward in the journey of studying machine learning

The third stage: learning the basic libraries of Python

They are as we have mentioned:

1. Pandas
2. Numpy
3. Sci-kit learn

While there are other libraries for Python, these three libraries are considered the most efficient to serve their application to machine learning techniques.

The fourth stage: learning machine learning algorithms

They are three types:

1. Supervised machine learning
2. Unsupervised machine learning
3. Reinforcement machine learning

Regression Algorithms

• Linear Regression
• Logistic Regression
• Stepwise Regression
• Multivariate Adaptive Regression Splines (MARS)
• Locally Estimated Scatterplot Smoothing (LOESS)

Regularization Algorithms

• Ridge Regression
• Least Absolute Shrinkage and Selection Operator (LASSO)
• Elastic Net
• Least-Angle Regression (LARS)

Instance-Based Algorithms

• k-Nearest Neighbor (kNN)
• Self-Organizing Map (SOM)
• Support Vector Machines (SVM)

Decision Tree Algorithms

• Conditional Decision Trees
• Classification and Regression Tree (CART)
• Iterative Dichotomiser 3 (ID3)
• C4.5 and C5.0

Clustering Algorithms

• k-Means
• Expectation Maximisation (EM)
• Hierarchical Clustering

Bayesian Algorithms

• Naive Bayes
• Gaussian Naive Bayes
• Averaged One-Dependence Estimators (AODE)
• Bayesian Network (BN)
• Bayesian Belief Network (BBN)

Association Rule Learning Algorithms

• Apriori algorithm
• Eclat algorithm

Ensemble Algorithms

• Random Forest
• Boosting
• Bootstrapped Aggregation (Bagging)
• AdaBoost
• Weighted Average (Blending)
• Stacked Generalization (Stacking)
• Gradient Boosting Machines (GBM)
• Gradient Boosted Regression Trees (GBRT)

Dimensionality Reduction Algorithms

• Principal Component Analysis (PCA)
• Principal Component Regression (PCR)
• Partial Least Squares Regression (PLSR)
• Linear Discriminant Analysis (LDA)
• Sammon Mapping
• Multidimensional Scaling (MDS)
• Projection Pursuit

Artificial Neural Network Algorithms

• Perceptron
• Multilayer Perceptrons (MLP)
• Back-Propagation
• Stochastic Gradient Descent
• Hopfield Network
• Radial Basis Function Network (RBFN)

Deep Learning Neural Network Algorithms

• Convolutional Neural Network (CNN)
• Recurrent Neural Networks (RNNs)
• Long Short-Term Memory Networks (LSTMs)
• Stacked Auto-Encoders
• Deep Boltzmann Machine (DBM)
• Deep Belief Networks (DBN)
• Generative Adversarial Networks (GANs)

Fifth stage: continuous practice

This stage is no less important than the previous steps, and this is achieved by applying the previous steps to a variety of data sets

You can gain a lot of experience with algorithms by participating in Kaggle contests

خارطة طريق التعلم الآلي من الصفر حتى الاحتراف – 2024

يعتبر التعلم الآلي علم العصر إذ يزداد الإقبال على تعلمه بشكل متسارع وملحوظ

وفي هذا المقال سنسلط الضوء على الطريقة الأمثل لتعلم مهارات التعلم الآلي بحيث يتمكن المتعلم من استثمارها مستقبلاً في تطوير الأبحاث العلمية على مستوى العالم

لذا لابد في البداية من أن ننوه إلى مفهوم التعلم الآلي باختصار

التعلم الآلي هو مجموعة من المعلومات تُلقَّن إلى الكمبيوتر بغية تطويره ونموه مع مرور الزمن عن طريق تطوير النماذج الإحصائية والخوارزميات التي تعمل عليها أنظمة الحاسوب دون اللجوء إلى أوامر محددة

:خارطة التعلم الآلي

المرحلة الأولى : تعلم لغة البرمجة في هذه الحالة يفضل تعلم بايثون فهي الأقوى والأكثر شيوعاً نظراً لما تحويه من مكتبات

Pandas و Numpy و Scikit : مثل

وهي مختصة بالتعلم الآلي والإحصاء والرياضيات

المرحلة الثانية : تعلم الجبر الخطي

يعتبر التعلم الخطي أحد فروع علوم الرياضيات إلا أنه يتجه إلى التعامل مع التحولات الخطية ويهتم أيضاً بالتعامل مع المصفوفات والمتجهات

ويعتبر تعلم الجبر الخطي خطوة مفصلية للمضي قدماً في رحلة دراسة التعلم الآلي

المرحلة الثالثة : تعلم المكتبات الأساسية لبايثون

: وهي كما أسلفنا

1. Pandas
2. Numpy
3. Sci-kit learn

ومع وجود مكتبات أخرى لبايثون إلا أن هذه المكتبات الثلاثة تعتبر الأكثر كفاءة بما يخدم تطبيقها على تقنيات التعلم الآلي

المرحلة الرابعة : تعلم خوارزميات التعلم الآلي

: وهي ثلاثة أنواع

1. Supervised machine learning
2. Unsupervised machine learning
3. Reinforcement machine learning

خوارزميات الانحدار

• Linear Regression
• Logistic Regression
• Stepwise Regression
• Multivariate Adaptive Regression Splines (MARS)
• Locally Estimated Scatterplot Smoothing (LOESS)

خوارزميات التنظيم

• Ridge Regression
• Least Absolute Shrinkage and Selection Operator (LASSO)
• Elastic Net
• Least-Angle Regression (LARS)

الخوارزميات القائمة على المثيل

• k-Nearest Neighbor (kNN)
• Self-Organizing Map (SOM)
• Support Vector Machines (SVM)

خوارزميات شجرة القرار

• Conditional Decision Trees
• Classification and Regression Tree (CART)
• Iterative Dichotomiser 3 (ID3)
• C4.5 and C5.0

خوارزميات التجميع

• k-Means
• Expectation Maximisation (EM)
• Hierarchical Clustering

Bayesian Algorithms

• Naive Bayes
• Gaussian Naive Bayes
• Averaged One-Dependence Estimators (AODE)
• Bayesian Network (BN)
• Bayesian Belief Network (BBN)

خوارزميات تعلم قواعد الرابطة

• Apriori algorithm
• Eclat algorithm

خوارزميات المجموعة

• Random Forest
• Boosting
• Bootstrapped Aggregation (Bagging)
• AdaBoost
• Weighted Average (Blending)
• Stacked Generalization (Stacking)
• Gradient Boosting Machines (GBM)
• Gradient Boosted Regression Trees (GBRT)

خوارزميات تخفيض الأبعاد

• Principal Component Analysis (PCA)
• Principal Component Regression (PCR)
• Partial Least Squares Regression (PLSR)
• Linear Discriminant Analysis (LDA)
• Sammon Mapping
• Multidimensional Scaling (MDS)
• Projection Pursuit

خوارزميات الشبكة العصبية الاصطناعية

• Perceptron
• Multilayer Perceptrons (MLP)
• Back-Propagation
• Stochastic Gradient Descent
• Hopfield Network
• Radial Basis Function Network (RBFN)

خوارزميات التعلم العميق للشبكة العصبية

• Convolutional Neural Network (CNN)
• Recurrent Neural Networks (RNNs)
• Long Short-Term Memory Networks (LSTMs)
• Stacked Auto-Encoders
• Deep Boltzmann Machine (DBM)
• Deep Belief Networks (DBN)
• Generative Adversarial Networks (GANs)

المرحلة الخامسة : الممارسة المستمرة

وهذه المرحلة لا تقل أهمية عن الخطوات السابقة ويتحقق ذلك عن طريق تطبيق الخطوات السابقة على مجموعات متنوعة من البيانات ويمكنك اكتساب خبرة كبيرة بالتعامل مع الخوارزميات عن طريق

Kaggle  المشاركة في مسابقات