¿Dónde empiezo a aprender Machine Learning?

Answer 1

Para aprender el aprendizaje automático, debes ser mejor que el promedio en matemáticas. Aquí están las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.

• Álgebra lineal-Álgebra lineal – MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de probabilidad-Probabilidad y estadística – MIT 6.041 Análisis probabilístico de sistemas y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo de variaciones
• Teoría de grafos
• Métodos de optimización (multiplicadores de Lagrange)
• Cualquier lenguaje de programación que sea ampliamente utilizado para ML como python, MATLAB o C ++.

PD: recomendaría Python aquí como idioma y recomendaría los siguientes enlaces:

• Aprendizaje automático con texto en scikit-learn (PyCon 2016)
• Aprendizaje automático en Python con scikit-learn

Una vez cumplidos estos requisitos, por fin puede comenzar a considerar el Aprendizaje automático.

6 PASOS FÁCILES PARA UTILIZAR EL APRENDIZAJE EN MÁQUINA?

Este es el lugar donde comienza la diversión. Ahora, se espera que la fundación comience a echar un vistazo a algunos datos. La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:

PASO 1.) Fabrique sus fundamentos de aprendizaje automático estudiando algunos materiales relacionados con el tema:

a.) Las conferencias de Aprendizaje automático de Andrew Ng son un gran comienzo:

Colección de conferencias | Aprendizaje automático – YouTube

b.) Certificado de aplicaciones y minería de datos de Stanford:

Certificado de postgrado en minería de datos y solicitudes

c.) Escuela de verano de aprendizaje automático:

https://www.youtube.com/playlist…

d.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla…

e.) “Transmita la mejor introducción de aprendizaje automático que he visto hasta ahora”.

PASO 2.) Toma un curso en línea

Lo principal que aconsejo a alguien que necesita aprender aprendizaje automático es tomar el curso en línea de Andrew Ng.

Creo que el curso de Ng es especialmente puntual y excepcionalmente eficiente, por lo que es un conocido extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando los individuos me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”. Ante la posibilidad de que me revelen que solicito que aclaren el contraste entre Regresión logística y SVM de kernel lineal, PCA versus Factorización matricial, regularización o pendiente de gradiente. He hablado con los aspirantes que afirmaron años de encuentro de ML que no sabían la respuesta a estas preguntas. En su mayor parte están claramente aclarados en el curso de Ng. Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.

Vea mi publicación anterior Los 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

PASO 3.) Algunas sugerencias de libros.

Mi paso subsiguiente sugerido es obtener un libro decente de LD (mi resumen más abajo), leer las secciones principales de introducción, y después de que el rebote a cualquier parte incorpore un algoritmo, está interesado. Cuando hayas descubierto que algo, salta a él, observa cada uno de los puntos de interés y, en particular, implementalo. En el último paso del curso en línea, a partir de ahora, habría actualizado algunos algoritmos en Octave. Sea como sea, aquí estoy mirando la ejecución de un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con uno simple, por ejemplo, Regresión logística regularizada por L2, o k-means, pero también debería esforzarse para actualizar todos los más interesantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de que está obteniendo resultados equivalentes.

• El razonamiento bayesiano de David Barber y el aprendizaje automático
• Aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones del obispo y aprendizaje automático
• Aprendizaje de máquina de Mitchell

También hay numerosos libros geniales que se centran en un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplar antes de su distribución. Sea como sea, necesita un par de esos libros para reunir un grado de comprensión de gran alcance y equilibrado del campo.

Ver mi publicación anterior 10 libros electrónicos gratuitos que debes leer sobre los conceptos básicos del aprendizaje automático.

Asimismo, puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y se sumerja en él.

PASO 4.) La mayoría de los algoritmos esenciales

Se confía en usted para conocer las tuercas y los tornillos de un algoritmo esencial.

Ver mis algoritmos posteriores a 15 algoritmos que los ingenieros de aprendizaje deben conocer.

PASO 5.) Juega con unos enormes conjuntos de datos que son accesibles de forma abierta.

Descubra un conjunto de datos que le parezca especialmente intrigante o sobre el que tenga hipótesis y verifique si tiene razón.

Datos del gobierno de los EE. UU. Http://www.data.gov/

Empresa Ferroviaria de Catering y Turismo http://www.irctc.co.in

PASO 6.) Participe en un equipo de aprendizaje automático o personalización centrado en el producto.

El grupo que busca debe estar cargado de ingenieros a los que desea instruir y aprender. Esto te ayudará a convertirte en un buen ingeniero de aprendizaje automático. Del mismo modo, al separar un grupo de productos, rápidamente descubrirás cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.

Answer 2

El aprendizaje automático es una forma de inteligencia artificial (IA) que permite que las aplicaciones de software sean más precisas para predecir los resultados de los sistemas sin ser programadas explícitamente. El aprendizaje automático es una técnica de análisis de datos que automatiza la construcción de modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que las máquinas deberían poder aprender y modificar a través de la experiencia.

El proceso de aprendizaje comienza con observaciones o datos, como ejemplos, experiencia directa o instrucción, para buscar patrones en los datos y tomar mejores decisiones en el futuro en función de los ejemplos que brindamos. El objetivo principal es permitir que las computadoras aprendan a automatizarse sin interferencias humanas y ajustar las acciones en consecuencia.

Métodos de aprendizaje automático: –

Dos principales métodos populares de aprendizaje automático son el aprendizaje supervisado y el aprendizaje no supervisado. Se predice que alrededor del 70 por ciento del aprendizaje automático es aprendizaje supervisado, aunque el aprendizaje no supervisado varía de 10 a 20 por ciento. Otros métodos que son menos utilizados son semi-supervisados ​​y aprendizaje de refuerzo.

1. Algoritmos supervisados ​​de aprendizaje automático: – Puede aplicar lo aprendido en el pasado a nuevos datos utilizando ejemplos etiquetados para predecir eventos futuros. A partir del análisis de un conjunto de datos de entrenamiento conocido, el algoritmo de aprendizaje produce una función implícita para hacer predicciones sobre los valores de salida. El sistema puede proporcionar objetivos para cualquier entrada nueva después de una capacitación satisfactoria. El algoritmo de aprendizaje también puede comparar su salida con la salida deseada correcta y encontrar errores para modificar y personalizar el modelo en consecuencia.
2. Algoritmos de aprendizaje automático no supervisados: – Se utilizan cuando la información utilizada para entrenar no está clasificada ni etiquetada. El aprendizaje no supervisado estudia cómo los sistemas pueden derivar una función para describir una estructura oculta a partir de datos sin etiquetar. El sistema no encuentra la salida correcta, pero analiza los datos y puede extraer inferencias de conjuntos de datos para describir estructuras ocultas de datos sin etiquetar. Estos algoritmos no necesitan ser entrenados con los datos de resultados deseados. En su lugar, utilizan un enfoque iterativo llamado Aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje no supervisados ​​se utilizan para tareas de procesamiento más complejas que los sistemas de algoritmos de aprendizaje supervisado.
3. Algoritmos de aprendizaje automático semi-supervisados: es un poco de aprendizaje supervisado y no supervisado y utiliza datos etiquetados y no etiquetados para la capacitación. En un escenario típico, el algoritmo usaría una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar. Este tipo de aprendizaje se puede utilizar con métodos como la clasificación, la regresión y la predicción. Ejemplos de aprendizaje semi-supervisado serían las técnicas de reconocimiento de rostro y voz.
4. Algoritmos de Aprendizaje Automático de Refuerzos: – Este tipo de aprendizaje puede ser usado nuevamente con métodos tales como clasificación, regresión y predicción. Ejemplos de aprendizaje semi-supervisado serían las técnicas de reconocimiento de rostro y voz. El aprendizaje por refuerzo se produce cuando el agente elige acciones que maximizan la recompensa esperada en un tiempo determinado.

El aprendizaje automático permite el análisis de grandes cantidades de datos. Si bien generalmente proporciona resultados más rápidos y más precisos para identificar oportunidades beneficiosas o riesgos peligrosos, también puede requerir tiempo y recursos adicionales para capacitarlo adecuadamente. La combinación del aprendizaje automático con la inteligencia artificial y sus tecnologías intelectuales puede hacer que sea aún más efectivo en el procesamiento de grandes volúmenes de información.

¿Por qué es importante?

El aprendizaje automático también tiene muchas aplicaciones prácticas que generan resultados empresariales reales, como el ahorro de tiempo y dinero, que tienen el potencial de impactar dramáticamente el futuro de su organización.

Para comprender mejor los usos del Aprendizaje automático, considere algunos de los ejemplos en los que se aplica el aprendizaje automático: el auto auto conducido de Google, la detección de fraudes cibernéticos, los motores de recomendación en línea, como las sugerencias de amigos en Facebook, son ejemplos de aprendizaje automático aplicado.

1.Machine Learning puede utilizarse para mejorar aplicaciones como la detección de rostros, el reconocimiento de rostros, la clasificación de imágenes, el reconocimiento de voz.

Todos estos ejemplos reflejan el papel vital que el aprendizaje automático ha comenzado a tomar en el mundo actual rico en datos.

Si está buscando la mejor compañía de aprendizaje automático en la India luego, Webtunix Solutions es una de las mejores empresas de aprendizaje automático en la India que brinda servicios de aprendizaje automático y ciencia de la información a empresas que utilizan datos disponibles públicamente en la web.

En Webtunix, estamos manipulando la mayoría de los problemas avanzados en ciencia de datos y en Inteligencia de máquinas. Nuestro enfoque principal es el aprendizaje profundo, que es la herramienta más importante para el procesamiento del lenguaje natural, la ciencia de datos, la predicción de bases de datos, el procesamiento de video / imagen y la detección de objetos.

Lea más para saber sobre la solución Webtunix, que es la mejor compañía de aprendizaje automático en la India.

Answer 3

La respuesta del usuario a Soy estudiante de segundo año de ingeniería eléctrica y me encanta la programación, ¿tengo futuro en el aprendizaje automático?

Debe tener una sólida comprensión básica de los conceptos del campo en el que desea trabajar. Dado que todavía está en el segundo año, tiene tiempo suficiente para construir una base sólida.

Empezando en primer lugar con el lenguaje de programación. Personalmente uso python (a veces matlab) para el aprendizaje automático. Pero habría otras opciones como java (weka) que no conozco. Ya que te gusta la programación, es un punto positivo.

En segundo lugar, puedes explorar probando algunos ejemplos en sklearn como la clasificación y la regresión.

En tercer lugar, para comprender conceptos básicos, puede tomar cursos en línea en Coursera. Puede comenzar con el curso de aprendizaje automático del profesor Andrew NG Stanford CS 229 Aprendizaje automático – Stanford University | Coursera. Then Neural Networks para curso de aprendizaje automático por Geoffrey Hinton Neural Networks para aprendizaje automático – Universidad de Toronto | Coursera. Geoffrey Hinton fue uno de los investigadores que introdujo el algoritmo de propagación inversa que se ha utilizado ampliamente para aplicaciones prácticas. Sus otras contribuciones a la investigación de redes neuronales son tremendas. Bueno, también habría muchos otros cursos. Puedes explorar leyendo algunos blogs. Redes neuronales y aprendizaje profundo.

Una vez que tenga un buen entendimiento, puede resolver desafíos en Competiciones | Kaggle

Para tener una idea acerca de la investigación en curso, los problemas que se abordan con la Visión por Computador, puede revisar los archivos de varias conferencias. verbigracia. CVPR, ICCV, ECCV, BMVC y muchos más.

Una gran cantidad de exploración al leer blogs, artículos e intentar competiciones como Kaggle te daría un gran comienzo. Más tarde puede solicitar pasantías en universidades que tengan estos laboratorios de investigación.

El aprendizaje automático es un campo vasto. ML se usa en Procesamiento de lenguaje natural, Visión artificial, Procesamiento de imágenes, Inteligencia artificial, Minería de datos y muchos más. También puede explorar los materiales para estos campos.

¡Todo lo mejor!

Answer 4

EDITAR: Esta respuesta se adjuntó originalmente a la pregunta “¿De dónde puedo aprender el lenguaje de máquina?”, Que es completamente diferente del aprendizaje de máquina.
¿Tal vez la revisión de contenido de Quora utilizó una aplicación de aprendizaje de máquina incorrecta para etiquetar ambas preguntas como iguales?

–

Los lenguajes de máquina que aprende de los manuales de referencia de los fabricantes de procesadores, como estos:

Manuales de desarrollo de software de arquitecturas Intel® 64 e IA-32

No mucha gente necesita aprender esto. Mucho más útil (pero aún muy nicho) es aprender la programación de ensamblajes. El ensamblaje corresponde directamente al lenguaje de la máquina, pero es un poco más legible para los humanos. Hay libros que pueden enseñarle programación de ensamblajes, por ejemplo, “Programación desde cero” por Jonathan Bartlett, a la que hice algunas contribuciones muy pequeñas para:

http://nongnu.uib.no/pgubook/Pro …

Pero como puede ver, es de 2003 y cubre la arquitectura Intel de 32 bits, que está envejeciendo y envejeciendo … Este libro es más para aprender cómo funciona la computadora en el nivel más bajo, que para aprender una habilidad útil en sí misma. .

Answer 5

El aprendizaje automático es un vasto dominio. Requiere una combinación de habilidades multidisciplinares que van desde una intersección de matemáticas, estadística, informática, comunicación y negocios.

Siendo un profesional de Data Science, puedo recomendar los mejores cursos disponibles:

Aquí está la lista, puede seguir para perseguir su objetivo:

1. Aprenda programación de Python Python : lo ayudará a adquirir experiencia en el análisis cuantitativo, la extracción de datos y la presentación de datos para ver más allá de los números al transformar su carrera en el rol de Data Scientist. Aprenderás a usar bibliotecas como Pandas, Numpy, Matplotlib, Scipy, Scikit, Pyspark y dominarás conceptos como el aprendizaje automático de Python, scripts, secuencia, raspado web y análisis de big data aprovechando Apache Spark. A continuación se muestra el curso, puede ir a dominar python: Curso de certificación Python | Entrenamiento de Python | Edureka
2. Ciencia de datos con Python: este curso de ciencia de datos en Python lo ayuda a adquirir experiencia en varios algoritmos de aprendizaje automático, como regresión, agrupamiento, árboles de decisión, bosques aleatorios, Naïve Bayes y Q-Learning. Lo expone a conceptos de estadísticas, series temporales y diferentes clases de algoritmos de aprendizaje automático, como los algoritmos supervisados, no supervisados ​​y de refuerzo. A lo largo del curso de certificación de ciencia de datos, resolverás estudios de casos de la vida real en medios, salud, redes sociales, aviación, recursos humanos: Edureka

Espero que esto ayude. Feliz aprendizaje..!!

Answer 6

Entrenamiento de aprendizaje automático en Hyderabad:

El entrenamiento de aprendizaje automático en Hyderabad ha sido diseñado para impartir un conocimiento profundo de las diversas técnicas de aprendizaje automático que se pueden realizar utilizando R y cubre una comprensión profunda del lenguaje R. El curso está repleto de proyectos de la vida real, estudios de caso e incluye R Cloud Labs para la práctica y también dominarás los conceptos como agrupamiento, regresión, clasificación y predicción.

El alcance del entrenamiento de Data Science en Hyderabad:

La capacitación en aprendizaje automático en Hyderabad, que proporciona una ruta analítica, sería una opción optimista para quienes se inscriban en este curso.

• En este mundo empresarial y de programación, siempre que haya datos, se necesitará un ingeniero de Aprendizaje automático.
• Este curso de aprendizaje automático en Hyderabad hará que los solicitantes sean científicos preparados para la industria, que puedan almacenar datos relevantes y comunicar claramente los resultados analíticos.
• Se espera que el tamaño del mercado del programa de aprendizaje automático aumente más en 2020.
• En la India ahora hay grandes oportunidades de trabajo para los ingenieros de aprendizaje automático en muchos MNC, ya que hay una falta de expertos en aprendizaje automático.

Objetivos de la Capacitación de Aprendizaje Automático:

Este curso de aprendizaje automático en Hyderabad te permitirá:

• Obtenga una comprensión básica de análisis de negocios
• Instale R, R-studio, y la configuración del espacio de trabajo.
• Comprender varias declaraciones que se ejecutan en R
• Obtenga una comprensión profunda de la administración de la ciencia de datos y aprenda cómo importar / exportar datos en R
• Comprender y usar los diferentes gráficos en la visualización de datos R

La demanda de la formación de aprendizaje automático en Hyderabad:

Existe una gran demanda de todos los científicos expertos en datos o ingenieros de aprendizaje automático y desarrolladores en todas las industrias, lo que hace que este curso sea beneficiado para los aspirantes en todos los niveles de experiencia. Por eso recomendamos este Aprendizaje automático en Hyderabad , especialmente para los siguientes profesionales:

• Los profesionales de TI y los desarrolladores de software que están buscando una carrera pueden cambiar a Data Science y análisis.
• Profesionales que trabajan con datos y análisis de negocios.
• Los graduados que buscan construir una carrera en análisis y ciencia de datos.
• Cualquier persona con un interés genuino en el campo del aprendizaje automático de la ciencia de datos.

¿Quién puede tomar este curso?

Existe una gran y creciente demanda de expertos cualificados de ingenieros de aprendizaje automático en todas las grandes industrias. Por eso recomendamos este curso para los siguientes profesionales:

• Desarrolladores
• Gerentes analíticos
• Analistas de negocios
• Arquitectos de TI
• Arquitectos de la informacion
• Recién llegados y graduados

Institutos de formación de aprendizaje automático en Hyderabad:

En Hyderabad, el entrenamiento de Analytics Path Machine Learning se centra especialmente en aquellos aspirantes que realmente sienten pasión por los MNC como ingenieros de aprendizaje automático, luego Analytics Path sería la gran plataforma para mejorar el crecimiento profesional en el campo de las herramientas y técnicas de aprendizaje automático.

Haga clic aquí para inscribirse ahora

Answer 7

A2A.

Ya hay muchos consejos buenos sobre este tema: ¿Cómo aprendo el aprendizaje automático?

Estoy copiando mi respuesta de ese hilo a continuación para una referencia rápida:

La respuesta dependerá en gran medida de cuál sea su experiencia actual y para qué quiere aprender el aprendizaje automático.

Para tener una base matemática básica, necesita tener algún conocimiento de los siguientes conceptos matemáticos:

– Probabilidades y estadísticas

– Álgebra lineal

– Optimización

– Cálculo multivariable

– Análisis funcional (no esencial).

– Lógica de primer orden (no esencial).

Puede encontrar material razonable en la mayoría de estos buscando ”

Hojea estos. No es necesario que los revises con mucho detalle. Puede volver a estudiar las matemáticas cuando sea necesario mientras aprende ML.

Una vez que te sientas cómodo con las matemáticas básicas, puedes comenzar con algún curso en línea o uno de los libros estándar en ML. El curso de Andrew Ng en Coursera es un buen punto de partida. Una versión avanzada del curso está disponible en The Open Academy (Aprendizaje de máquinas | The Open Academy). Los libros estándar con los que tengo experiencia son los siguientes:

Reconocimiento de patrones y aprendizaje automático: Christopher Bishop

Aprendizaje automático: una perspectiva probabilística: Kevin P. Murphy

Si bien el libro de Murphy es más actual y más elaborado, creo que Bishop es más accesible para los principiantes. Puedes elegir uno de ellos según tu nivel.

En este punto, debe tener un conocimiento práctico del aprendizaje automático. Más allá de esto, si está interesado en un tema en particular, busque recursos específicos en línea sobre el tema, lea artículos seminales en el subcampo, intente encontrar algunos problemas más simples e impleméntelos.

Es importante destacar que hay muchos algoritmos / paradigmas en el aprendizaje automático. Si bien debe tener cierta comprensión de estos aspectos, es igualmente importante tener la intuición básica del aprendizaje automático: conceptos de compensación sesgo-varianza, sobreajuste, regularización, dualidad, etc. Estos conceptos a menudo se utilizan en la mayoría o en todo el aprendizaje automático. de una forma u otra.

Finalmente, es importante implementar algunos algoritmos básicos cuando comience a hacer ML, como gradiente de pendiente, AdaBoost, árboles de decisión, etc. También debe tener algo de experiencia con el preprocesamiento de datos, la normalización, etc. Una vez que haya implementado algunos algoritmos desde cero. Para otros algoritmos, debe usar las implementaciones estándar (como LibSVM, Weka, ScikitLearn, etc.) en algunos problemas de juguetes y obtener una buena comprensión de los diferentes algoritmos.

Answer 8

El aprendizaje automático necesita conceptos básicos de matemáticas y algoritmos, luego puede ir con ML.

Hay muchos cursos en línea de aprendizaje automático que están ahí. Puedes aprender de ellos, ellos te enseñarán desde el nivel Scratch to Advance Level.

De todos modos te sugeriré los mejores cursos de aprendizaje automático en línea.

1. Machine Learning AZ ™: práctica en Python & R en Data Science [Recomendado]

2. Deep Learning AZ ™: redes neuronales artificiales prácticas

3. Ciencia de datos y aprendizaje automático con Python – ¡Manos a la obra!

Estos son los mejores en ML,

Toma curso ,

Prepararse bien

Todo lo mejor.

Answer 9

El aprendizaje automático es un subconjunto de la inteligencia artificial y utiliza la inteligencia artificial para proporcionar a los sistemas la capacidad de aprender y mejorar la experiencia del cliente sin tener que ser programado. Pensar que algo como Machine Learning, esencialmente una jerga de hace algunos años, ha extendido sus raíces a las aplicaciones de música es un desarrollo emocionante. Las posibilidades que trae el aprendizaje automático son exponenciales.

Necesitas conocer algunos temas de matemáticas fundamentales como Álgebra, Probabilidad y Estadísticas, Cálculo para incluso seguir un curso básico. Hay muchos cursos en línea para establecer el conocimiento en el aprendizaje automático. Pero, para un principiante, sugeriría el curso Deep Learning for NLP utilizando Tensor Flow . Un requisito previo esencial para el curso es la comprensión básica de la programación en python .

He tomado el curso y enseña los fundamentos del Aprendizaje Profundo, que es un subconjunto del Aprendizaje Automático, que es un subconjunto de la Inteligencia Artificial; estos son, después de todo, campos relacionados. El único requisito previo para el curso es la comprensión básica de la programación en python.

El aprendizaje profundo sería un buen lugar para comenzar antes de que entienda la Inteligencia Artificial en su totalidad. Esto te ayudará a hacerte notar en el emocionante y en auge de Data Science .

Answer 10

Para aprender el aprendizaje automático, debes ser mejor que el promedio en matemáticas. Aquí están las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.

• Álgebra lineal-Álgebra lineal – MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de probabilidad-Probabilidad y estadística – MIT 6.041 Análisis probabilístico de sistemas y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo de variaciones
• Teoría de grafos
• Métodos de optimización (multiplicadores de Lagrange)
• Cualquier lenguaje de programación que sea ampliamente utilizado para ML como python, MATLAB o C ++.

PD: recomendaría Python aquí como idioma y recomendaría los siguientes enlaces:

• Aprendizaje automático con texto en scikit-learn (PyCon 2016)
• Aprendizaje automático en Python con scikit-learn

Una vez cumplidos estos requisitos, por fin puede comenzar a considerar el Aprendizaje automático.

6 PASOS FÁCILES PARA UTILIZAR EL APRENDIZAJE EN MÁQUINA?

Este es el lugar donde comienza la diversión. Ahora, se espera que la fundación comience a echar un vistazo a algunos datos. La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:

PASO 1.) Fabrique sus fundamentos de aprendizaje automático estudiando algunos materiales relacionados con el tema:

a.) Las conferencias de Aprendizaje automático de Andrew Ng son un gran comienzo:

Colección de conferencias | Aprendizaje automático – YouTube

b.) Certificado de aplicaciones y minería de datos de Stanford:

Certificado de postgrado en minería de datos y solicitudes

c.) Escuela de verano de aprendizaje automático:

https://www.youtube.com/playlist …

d.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla …

e.) Introducción a la inteligencia artificial por el Prof. Deepak Khemani IIT Madras

http://nptel.ac.in/courses/10610 …

e.) “La mejor introducción de aprendizaje automático que he visto hasta ahora”.

PASO 2.) Toma un curso en línea

Lo principal que aconsejo a alguien que necesita aprender aprendizaje automático es tomar el curso en línea de Andrew Ng.

Creo que el curso de Ng es especialmente puntual y excepcionalmente eficiente, por lo que es un conocido extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando los individuos me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”. Ante la posibilidad de que me revelen que solicito que aclaren el contraste entre Regresión logística y SVM de kernel lineal, PCA versus Factorización matricial, regularización o pendiente de gradiente. He hablado con los aspirantes que afirmaron años de encuentro de ML que no sabían la respuesta a estas preguntas. En su mayor parte están claramente aclarados en el curso de Ng. Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.

Vea mi publicación anterior Los 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

PASO 3.) Algunas sugerencias de libros.

Mi paso subsiguiente sugerido es obtener un libro decente de LD (mi resumen más abajo), leer las secciones principales de introducción, y después de que el rebote a cualquier parte incorpore un algoritmo, está interesado. Cuando hayas descubierto que algo, salta a él, observa cada uno de los puntos de interés y, en particular, implementalo. En el último paso del curso en línea, a partir de ahora, habría actualizado algunos algoritmos en Octave. Sea como sea, aquí estoy mirando la ejecución de un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con uno simple, por ejemplo, Regresión logística regularizada por L2, o k-means, pero también debería esforzarse para actualizar todos los más interesantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de que está obteniendo resultados equivalentes.

• El razonamiento bayesiano de David Barber y el aprendizaje automático
• Aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones del obispo y aprendizaje automático
• Aprendizaje de máquina de Mitchell

También hay numerosos libros geniales que se centran en un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplar antes de su distribución. Sea como sea, necesita un par de esos libros para reunir un grado de comprensión de gran alcance y equilibrado del campo.

Ver mi publicación anterior 10 libros electrónicos gratuitos que debes leer sobre los conceptos básicos del aprendizaje automático.

Asimismo, puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y se sumerja en él.

PASO 4.) La mayoría de los algoritmos esenciales

Se confía en usted para conocer las tuercas y los tornillos de un algoritmo esencial.

Ver mis algoritmos posteriores a 15 algoritmos que los ingenieros de aprendizaje deben conocer.

En cualquier caso, además de los algoritmos, también es fundamental saber cómo configurar sus datos (selección de características, transformación y compresión) y cómo evaluar sus modelos. Tal vez, como iniciador, podría ver nuestro Aprendizaje de máquina en el ejercicio de instrucción scikit-learn en SciPy 2016. Condensa una gran parte de los rudimentos al presentar la biblioteca de scikit-learn, que puede resultar útil para la ejecución y otros exámenes. :

PASO 5.) Juega con unos enormes conjuntos de datos que son accesibles de forma abierta.

Descubra un conjunto de datos que le parezca especialmente intrigante o sobre el que tenga hipótesis y verifique si tiene razón.

Datos del gobierno de los Estados Unidos http://www.data.gov/

Empresa Ferroviaria de Catering y Turismo http://www.irctc.co.in

PASO 6.) Participe en un equipo de aprendizaje automático o personalización centrado en el producto.

El grupo que busca debe estar cargado de ingenieros a los que desea instruir y aprender. Esto te ayudará a convertirte en un buen ingeniero de aprendizaje automático. Del mismo modo, al separar un grupo de productos, rápidamente descubrirás cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.

Para aprender en 90 días pincha aquí.

Answer 11

Si estás interesado en el campo del aprendizaje automático? Entonces este curso perfecto es para ti!

Enlace del curso: Machine Learning AZ ™: práctica en Python & R en Data Science-Learn para crear algoritmos de aprendizaje automático

En este curso, aprenderá a crear algoritmos de aprendizaje automático en Python y R a partir de dos expertos en ciencia de datos.

Este curso ha sido diseñado por dos científicos de datos profesionales para que puedan compartir sus conocimientos y ayudarlo a aprender teorías complejas, algoritmos y bibliotecas de codificación de una manera sencilla.

Le guiarán paso a paso en el mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de Data Science.

Este curso es divertido y emocionante, pero al mismo tiempo se sumergen profundamente en el Aprendizaje automático. Se estructura de la siguiente manera:

• Parte 1 – Preprocesamiento de datos
• Parte 2 – Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinomial, RVS, Regresión del árbol de decisión, Regresión aleatoria de bosques
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, SVM del núcleo, Bayes ingenuos, Clasificación del árbol de decisión, Clasificación de bosques aleatorios
• Parte 4 – Agrupación en clúster: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6: Aprendizaje por refuerzo: confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento de lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de la dimensionalidad: PCA, LDA, PCA de núcleo
• Parte 10 – Selección de modelo y realce: validación cruzada en k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está lleno de ejercicios prácticos que se basan en ejemplos en vivo. Así que no solo aprenderá la teoría, sino que también obtendrá práctica práctica en la construcción de sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código R y Python que puede descargar y usar en sus propios proyectos.

¿Quién es el público objetivo?

• Cualquier persona interesada en el aprendizaje automático
• Alumnos que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Aprendizaje automático.
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que desee aprender más sobre él y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no esté tan cómoda con la codificación pero que esté interesada en el Aprendizaje Automático y quiera aplicarlo fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en un científico de datos.
• Cualquier persona que desee crear un valor agregado a su negocio mediante el uso de potentes herramientas de aprendizaje automático.

¿Que aprenderás?

• Master Machine Learning en Python & R
• Tener una gran intuición de muchos modelos de Machine Learning.
• Hacer predicciones precisas
• Hacer poderoso analisis
• Hacer modelos robustos de Machine Learning.
• Cree un fuerte valor añadido para su negocio.
• Utilice el aprendizaje automático para fines personales
• Manejar temas específicos como aprendizaje de refuerzo, PNL y aprendizaje profundo
• Manejar técnicas avanzadas como la reducción de dimensiones.
• Sepa qué modelo de Machine Learning elegir para cada tipo de problema
• Construye un ejército de poderosos modelos de Machine Learning y sabe cómo combinarlos para resolver cualquier problema.

Requerimientos

• Sólo un nivel de matemáticas de la escuela secundaria

Enlace del curso: Machine Learning AZ ™: práctica en Python & R en Data Science-Learn para crear algoritmos de aprendizaje automático

Answer 12

Puede consultar el Curso de AI Aplicada: es una excelente plataforma para el aprendizaje en línea. El curso en línea es uno de los mejores cursos para el aprendizaje automático. Es un curso en línea que consta de más de 140 horas de contenido que abarca

Pitón,

Probabilidades y estadísticas,

Álgebra lineal,

Visualización de datos, más de 25 técnicas de Aprendizaje automático, las más importantes técnicas de Aprendizaje profundo y más de 10 estudios de casos reales resueltos de forma completa en empresas como Amazon, Facebook, Quora, Uber, Netflix, etc.

Este curso está dirigido a estudiantes y profesionales que trabajan y desean realizar carreras en AI / ML. Ayuda a los participantes del curso a crear una cartera si hay más de 5 proyectos para mostrar su trabajo a los posibles reclutadores.

Puede encontrar algunos ejemplos de carteras de estudiantes actuales aquí. Este curso es muy útil para los estudiantes que buscan seguir una carrera en IA. También brindan un excelente servicio al cliente, orientación profesional y certificación para el curso.

Uno de los mejores videos para aprender aprendizaje automático e inteligencia artificial en 3 a 6 meses.

Answer 13

La mejor y clara respuesta de comenzar el aprendizaje automático es verificar la lista de habilidades y comenzar a preparar de acuerdo con eso. Una vez que tenga los fundamentos claros, es fácil pasar al nivel avanzado.

Se necesitan habilidades para aprender aprendizaje automático y aprendizaje profundo.

• Python / R / JAVA: El conocimiento de cualquiera de estos lenguajes de programación será una ventaja adicional en la implementación de los algoritmos de aprendizaje automático.
• Probabilidad y estadística: los algoritmos de aprendizaje automático se basan en los principios y teorías de probabilidad y estadística.
• Matemáticas aplicadas: las herramientas para dibujar modelos matemáticos son de gran utilidad en la implementación de los principios del aprendizaje automático.
• Herramientas de Unix: será más fácil trabajar en conjuntos de datos mientras se trabaja en máquinas basadas en Linux

Ahora sugerí varias buenas fuentes disponibles para la inteligencia artificial y el aprendizaje automático. Facilita tus esfuerzos para aprender.

De acuerdo con mi experiencia de aprendizaje, sugerí encarecidamente el curso de video en línea de la máquina, un curso certificado con acceso de por vida en Learn Online, Teach Online con 0 a 1 nivel.

Es interesante y puedes encontrar más otros buenos cursos allí.

Answer 14

Las respuestas escritas antes de mí son muy informativas y definitivamente hay que seguirlas.

Sin embargo, hay algunos complementos más que me gustaría mencionar aquí.

Si usted es un principiante absoluto, comience con el curso ML en Coursera, impartido por el profesor Andrew Ng de Stanford. Su forma de enseñar es extremadamente lúcida y obtendrás prácticamente todo lo que intenta transmitir. (Esta clase utiliza MATLAB para la implementación de asignaciones de programación y proporciona una licencia gratuita durante toda la clase, por lo que no tendrá que preocuparse por la compra de la licencia y todo).

Una vez que haya terminado con esa clase, si desea implementar sistemas de LD en Python, intente otra especialización de Coursera por la Universidad de Washington. He encontrado que la especialización es muy útil en lo que respecta a la implementación de ML en Python.

Para comenzar con sus propios proyectos, puede comprar el libro: “Building ML Systems with Python by Luis Pedro Coelho”. Este libro lo guiará a fondo para implementar sus propios proyectos de LD en Python.

Aparte de estos recursos, también puedes ver proyectos y competiciones de Kaggle. Son excelentes

Espero que esto ayude.

Answer 15

Para comenzar su viaje en Aprendizaje automático, primero recomendaré repasar sus conceptos sobre Álgebra Lineal y la Teoría de la Probabilidad, porque al final del día, casi todos los problemas del Aprendizaje Automático se pueden resolver a un problema en Álgebra Lineal y Probabilidad. Por lo tanto, es necesario tener un fondo estable en estos dos temas si desea comprender el verdadero sabor del tema. Las conferencias sobre aprendizaje automático a cargo del profesor Andrew Ng, de la Universidad de Stanford son un excelente lugar para comenzar.

Otras grandes fuentes incluyen:

1. Aprendiendo de los datos, el profesor Yaser Abu-Mostafa (las clases y las clases son fácilmente disponibles)
2. Una introducción al aprendizaje estadístico con aplicaciones en R
3. Problemas matemáticos en la ciencia de datos- Chen, Su, Jhiang

Answer 16

Comience con una base matemática sólida, ya que esto es esencial para entender los algoritmos y resolver problemas cuando algo sale mal (cálculo / estadística / álgebra lineal). Construya su intuición y familiarícese con diferentes algoritmos y enfoques (pruebe https://www.slideshare.net/Colle …). A partir de ahí, comience a jugar con datos (el repositorio de UCI tiene muchos) y los algoritmos en R / Python / otro idioma 🙂

Answer 17

Si desea iniciar la capacitación de aprendizaje automático , debe elegir el Techienest, que es uno de los mejores institutos de capacitación en Jaipur, donde puede aprender no solo el aprendizaje automático, sino también otros idiomas como inteligencia artificial, Plc y SCADA, IoT y Raspberry Pi, C / C ++, JAVA, Python, etc.

Answer 18

El aprendizaje automático no es más que una herramienta. Hasta que sientas que lo necesitas, por algún motivo sería inútil aprenderlo por ahora. Pero como se usa en casi todos los campos posibles de vez en cuando, es bueno aprenderlo. Estoy adjuntando una fuente donde hay muchas fuentes de aprendizaje automático en un orden sincrónico.

Aprender Aprendizaje Automático – Los mejores tutoriales de Aprendizaje Automático | Hackr.io

Answer 19

Aunque internet es la mejor fuente aquí para usarlo correctamente, puedo decir algo específico.

1) Ir a los videos de OCW para MIT en youtube, están disponibles de forma gratuita.

El profesor Patrick Wilson es el profesor de renombre, quien explicó todos los conceptos básicos de ML con AI con ejemplos relevantes.

2) Puedes hacer cursos gratuitos de Udacity, que es mejor que Udemy, creo.
pero para completar el proyecto tienes que registrarte para los cursos pagados

3) Ver el video de entrenamiento de Microsoft Azure ML.

4) Puedes hacer cursos desde Coursera, que es mucho más amplio que los cursos de Udacity.

Nota: cuando se inscriba en el curso pagado, asegúrese de que podrá completar esos cursos / tareas dentro del plazo / fecha límite.

¡Todo lo mejor!

Answer 20

Escribí un tutorial sobre cómo alguien sin ninguna experiencia en codificación puede crear una aplicación web de Machine Learning simple con IBM Watson en 30 minutos, échale un vistazo si está interesado:

¿Hot dog o no hot dog?