Cómo aprender el aprendizaje automático sin aprender todas las matemáticas y la teoría.

Answer 1

Realmente no puede prescindir de las matemáticas y la teoría, aunque podría aprender a medida que avanza si tiene la disciplina suficiente para asegurarse de que comprende cada paso antes de pasar al siguiente. También tendrás que poder programar en Python y R para los cursos, aunque también puedes aprenderlos a medida que avanzas. (Sé que tú, el OP, ya conoces Python, pero lo menciono por otros).

Esta no es la forma de convertirse en un experto, sino que es asegurarse de que esté bien informado y que haya abordado un poco todos los aspectos de la LD, desde herramientas e idiomas comunes, métodos estadísticos y analíticos, y un aprendizaje profundo. Técnicas y preocupaciones. Proporcionará una introducción a todo esto sin profundizar en ellos, donde necesitaría una gran cantidad de las “matemáticas y la teoría” que intenta evitar.

Todos estos materiales son gratuitos, desde la última vez que los revise, si no desea crédito por tomar el curso. Los idiomas y herramientas necesarios también son gratuitos. Hay algunos cursos que podrían ser más adecuados a sus necesidades, como el Aprendizaje Automático – Stanford University | Coursera, pero no son gratis.

Comience por aprender sobre estadísticas, lo que requiere un poco de matemáticas pero, como dije anteriormente, esto podría ser posible con los siguientes enlaces:

Estadística y probabilidad – Conceptos básicos – Udemy

Bienvenido a Python.org (… probablemente ya estés al tanto de esto)

scikit-learn: aprendizaje automático en Python (… gracias a Quora User)

Aprenda sobre las aplicaciones estadísticas y analíticas comunes que usan R al instalarlo y tomar los dos cursos que se enumeran a continuación:

El Proyecto R de Informática Estadística

Aprende R Lenguaje de programación y conceptos básicos de estudio en 1 hora

Paquete DPLYR R: Curso introductorio R sobre análisis de datos en R

Obtenga los conceptos básicos del aprendizaje automático de un experto. Se mueve rápidamente, pero lo explica bien y evita la mayoría de las matemáticas profundas. Recomiendo mucho este curso:

Luego use H2O, realice todos los tutoriales y dedique tiempo a comprender realmente el tutorial sobre el aprendizaje profundo, capacite a una red neuronal artificial para reconocer el carácter en el conjunto de datos estándar del MNIST.

H2O.ai – AI para empresas

Luego intente instalar Spark y usar Python con MLlib para aprender acerca de MPP – Massively Parallel Processing.

Apache Spark ™ – Computación en clúster ultrarrápida

Formación de chispas para empresas e individuos de Databricks

Eso debería llevarle varias semanas, si trabaja con frecuencia, y le ayudará a comenzar. Buena suerte.

Answer 2

Podría ser posible aprender el aprendizaje automático sin pasar por todas las matemáticas, estadísticas y la teoría de probabilidad involucrada.
La mayoría de los algoritmos ML son extremadamente intuitivos, como Naive Bayes, que es tan simple y con características de conteo y pesaje basadas en su frecuencia, o Máquinas de vectores de soporte (SVM) que, a pesar de mucha teoría compleja, simplemente implican encontrar una línea que divida los datos. en el medio”. Muchos otros temas, como el descenso del degradado o el suavizado, también parecerán muy intuitivos, a pesar de tener un respaldo teórico muy fuerte.

Puede usar varias bibliotecas de Python o MATLAB para aplicar estos algoritmos y visualizar los resultados.

Sin embargo, esto solo lo familiarizará con los algos ML comunes y cómo aplicarlos. Para aprender verdaderamente el NM, es aconsejable comprender la teoría y las matemáticas detrás de él. ¡La mente humana solo puede visualizar fácilmente hasta 2-3 dimensiones, y algunos algos ML incluso se ocupan de dimensiones infinitas!

Answer 3

Si, es muy posible.

De la misma manera se puede construir una presa sin pasar por toda la ingeniería civil. Prueba y error. ¿Sabía que no necesitábamos conocer ingeniería civil para construir estructuras impresionantes? Simplemente podemos intentar y ver qué funciona. Es más divertido y quizás sea más fácil. También es más costoso en términos de tiempo y recursos; y, a veces, no puede darse el lujo de probar, por ejemplo, no puede construir una presa aguas arriba de una pequeña ciudad y tratar de ver si se mantiene. Entonces, al final, podrá construir cosas, pero ¿quién usaría su capacidad si su tiempo y consumo de recursos no están optimizados? ¿Quién puede hacer más edificios con la misma cantidad de acero y concreto? el que sabe exactamente cuánto acero y concreto es suficiente para exactamente qué aplicación.

Lo mismo se aplica al aprendizaje automático. Puedes entrar en Python y scikit. Aprender y atacar un conjunto de datos con todos los algoritmos que tienes. Luego, tarde o temprano, aparecerá un desafío, por ejemplo, un conjunto de datos desequilibrado. No importa lo que haga, su bosque aleatorio y la regresión logística ya no superan la precisión más alta. Entonces necesita crear una solución personalizada, escribir una regresión logística con una función de enlace desigual. ¿Qué es una función de enlace? ¿Qué es la regresión logística? ¿como funciona? ¿Cómo se estima? ¿Qué es la máxima probabilidad? ¿Qué es una distribución? Entonces necesitas pasar por las matemáticas y las estadísticas.

Depende de lo que quieras hacer con él en última instancia. ¿Quieres tenerlo como hobby? Adelante scikit aprender de la estantería es perfecto. ¿Quieres competir en el mercado laboral? Entonces no.

Aquí hay una regla general: cuanto más fácil sea algo, más personas lo aprenderán y, por lo tanto, habrá menos demanda. Es muy simple para un desarrollador observar la sintaxis de scikit learn y usarla en un día sin saber qué está pasando. Por lo tanto, ¿por qué una empresa con un desarrollador “a” contrataría a un aprendiz de máquina para hacer lo mismo?

Sin embargo, no pretendo desalentarte, si la practicidad alimenta tu curiosidad de profundizar en las matemáticas, hazlo. Es el caso para mí. Pero alcanzará un límite en sus capacidades sin matemáticas y estadísticas, y ese límite no es demasiado alto.

Answer 4

Recomendaría estudiar el libro de texto de Sebastian Raschka: eBook de Python Machine Learning: Sebastian Raschka: Kindle Store.

Y su blog: Escribir ‘Python Machine Learning’.

Es un libro práctico y muy práctico, que te dice los conceptos básicos sin entrar demasiado en matemáticas y teoría.

Answer 5

Usted no puede El aprendizaje automático es una rama de las matemáticas, y todos sus aspectos dependen de las matemáticas subyacentes: la aplicación adecuada y la optimización de los algoritmos, la codificación optimizada adecuada, la inferencia adecuada … No podrá aplicar los algoritmos correctamente sin saber los cálculos matemáticos. y no vas a inferir el conocimiento correctamente sin una sólida formación en estadísticas.

Answer 6

¿Te importaría pasar por mi respuesta a continuación?
La respuesta de Frank Puk a ¿Cuáles son los cursos de CS esenciales para el aprendizaje automático?

Puede probar Weka (basado en java) y los paquetes matlab en aprendizaje automático (por ejemplo, SVM, kNN, etc.). Ambos vienen con una gran documentación para que puedas probarla.

Answer 7

Usted puede encontrar en línea herramientas de código abierto de Python ML.

Vaey nivel básico de código que debe administrar … aprender de la muestra.

Siga este enlace: scikit-learn: aprendizaje automático en Python