PyCharm Community подходит для изучения основ нейросетей?

Question

[l4m3r]

Знаю, что IDE тут вообще не причём. Вопрос в удобстве.
Я не знаю, ни пайтона (основы только), ни НС.
Но возникло желание для себя понять как работают нейросети и прочее.
Начал с IDE. На сайте по PyCharm написано "For professional Web and Scientific development see PyCharm Professional Edition.". То есть в бесплатной версии будут какие-то неудобства?

Answer 1

[Владимир Олохтонов]

Всё DS сообщество использует для этих целей jupyter-notebook, поставьте сначала anaconda, а к вопросу об IDE всегда успеете вернуться.

https://www.anaconda.com/distribution/

Вот приличный курс по deep learning:
https://github.com/yandexdataschool/Practical_DL

Comments

[l4m3r]

Спасибо. Чуть позже помечу решением. А PyCharm чем плох? Я просто люблю JetBrains

[Владимир Олохтонов]

PyCharm хорош, но он для других целей.
Вообще большие IDE становятся нужны когда у вас появляется большой проект, связи в котором тяжело загрузить в голову. Тут IDE и выручает своими инструментами для авто-рефакторинга.

Answer 2

[Алексей]

Если интересуют сами концепции нейронных сетей, вы сами ответили на свой вопрос: "IDE тут не причем".
В Python существует множество библиотек, для работы с машинным обучением. Хоть все они с открытым исходным кодом, понять магию, которая там происходит, зачастую не удается.
Если интересует как они работают изнутри то тут даже ЯП не имеет значения(разве что по скорости).
Основы ML это:
35% – линейная алгебра;
25% – теория вероятности и математическая статистика;
15% – математический анализ;
15% – алгоритмы;
10% – подготовка данных.
Приведу в пример библиотеку Numpy, которая позволяет выполнять математические операции, в нашем случае нам потребуется перемножение, транспонирование, скалярное произведение матриц. По факту это и есть та магия, если не рассматривать Backpropogation. В Feedforward используются только эти операции.
На эту тему можно много дискутировать на самом деле, отвечу все таки на вопрос...
Сам использую PyCharm Community, всего в достатке для того что бы начать изучать Machine Learning.