¿Cuál es el mejor MOOC para comenzar en Aprendizaje Automático?

Answer 1

Me gusta tomar MOOCs. Me parece que son un gran complemento para leer libros. La mayoría de ellos son divertidos y entretenidos, y son una excelente manera de mantenerse al día y repasar algunos detalles prácticos (especialmente para alguien como yo que no codifica demasiado en su día a día). Debido a esto, he tomado bastantes ML MOOCs y siento que estoy bastante bien equipado para responder a esta pregunta. Por cierto, por “tomada” me refiero a que seguí el curso, los ejercicios y los exámenes … para la mayoría de ellos. Aquí está mi revisión de algunos de ellos de mejor a peor:

(1) Aprendizaje automático de Andrew Ng en Coursera

Este fue el primer MOOC que tomé cuando Coursera aún no existía y se ofreció a través de Stanford. Sigue siendo mi favorito y el que recomendaría primero.

Pros:

• Grandes temas generales. Es difícil empaquetar más información valiosa en un curso de introducción.
• Buena combinación de consejos prácticos, antecedentes necesarios (por ejemplo, revisión de álgebra lineal) y (algunos) profundidad (por ejemplo, pendiente de gradiente)

Contras:

• ¿Ejercicios prácticos en octava? Creo que esto hubiera sido mucho mejor en Python.

(2) Fundamentos de aprendizaje automático: un enfoque de estudio de caso por Carlos Guestrin y Emily Fox de UW

Nuevo curso que acabo de terminar la semana pasada. Lo recomendaría totalmente como una buena alternativa a la de Andrew Ng.

Pros:

• Bastante buena tabla de contenidos que incluye “temas candentes” como los sistemas de recomendación y el aprendizaje profundo. Creo que el curso ofrece una visión general bastante buena para un curso de introducción.
• Muy divertido. El hecho de que motiven el curso a través de los casos hace que el curso sea realmente divertido de seguir.
• Buenos ejercicios prácticos. Es genial que este curso utilice Python, y más concretamente los Cuadernos iPython, para los ejercicios. También es genial que los ejercicios se basen en conjuntos de datos y casos de uso “reales”

Contras:

• El curso puede parecer que carece de profundidad o que es “demasiado fácil” para algunos. Creo que está bien, ya que el curso es parte de una serie más grande y los instructores tienen cursos de seguimiento sobre cada uno de los temas. Entonces, esto es sólo una introducción. Aún así, tiene menos profundidad que la de Andrew Ng.
• Los instructores lo señalan y se muestran abiertos, pero es un poco dudoso que el curso se use en cierta medida para anunciar la plataforma Graphlab y, en menor medida, Amazon, que están conectadas a los instructores. Para ser claros, esto no es algo extraño en las universidades regulares y no me molesta demasiado, pero pensé que lo señalaría.

(3) Introducción a la inteligencia artificial por Peter Norvig y Sebastian Thrun

Este no es un curso de ML per se. Sin embargo, este es un gran curso que incluye un capítulo que presenta el aprendizaje automático. Y, incluso le presenta áreas relacionadas como la recuperación de información o el procesamiento de lenguaje natural.

Pros:

• Gran contenido y cobertura de temas.
• Bien enseñado
• Buen enfoque práctico pero buen equilibrio entre teoría y práctica.
• Ejercicios interesantes y cuestionarios un tanto desafiantes.
• Incluye temas interesantes que no están cubiertos en la mayoría de los cursos, como la PNL o el aprendizaje por refuerzo

Contras:

• No es, estrictamente hablando, un curso de aprendizaje automático.

(4) Introducción al aprendizaje estadístico por Trevor Hastie y Rob Tibshirani

Estoy desgarrado con este curso. Desafortunadamente, no lo recomendaría como un curso de ML de propósito general. Es un complemento un tanto bueno para casi todos los demás. Pero, por sí mismo, tiene más desventajas que pros.

Pros:

• Debería ser obvio en el título, este curso es, de lejos, el que ofrece más profundidad en matemáticas y estadísticas.
• Este es el único curso de introducción general en el que escuchará sobre conceptos estadísticos como intervalos de confianza, valores de p o bootstrapping.

Contras:

• Hay demasiadas decisiones sobre dónde concentrarse en este curso que son altamente cuestionables. La cantidad de tiempo dedicado a tratar áreas “exóticas” como el Análisis Discriminante Lineal frente a, por ejemplo, la Regresión Logística es difícil de entender.
• Hay un sentimiento general acerca de que este curso es muy “de la vieja escuela” y no está actualizado con los últimos avances de ML. Como ejemplo, la mayoría de los practicantes de LD hoy en día entenderán a LDA como el acrónimo de Asignación de Dirichlet Latente. Si está utilizando esto para el Análisis Discriminante Lineal, esperaría que al menos reconociera esa posibilidad.
• Hay varios consejos que simplemente están equivocados desde una perspectiva práctica. Para ser claros, no están equivocados desde una perspectiva teórica o matemática. Pero, de forma aislada, son muy malos consejos para los profesionales que se están iniciando en el campo.
• Los ejercicios prácticos en R a veces se sienten como una pérdida de tiempo. Los ejercicios más complicados y que llevan más tiempo parecen completamente arbitrarios, ya que no están relacionados con áreas interesantes donde los estudiantes se beneficiarán al pasar más tiempo.
• Muchas preguntas del cuestionario son confusas. Algunos están equivocados.

(5) Modelos gráficos probabilísticos de Daphne Koller

Este es el único MOOC de ML que he empezado y no terminado. Por una razón. Encontré este curso bastante aburrido y difícil de seguir (no por la dificultad, sino porque fue difícil encontrar la motivación para hacerlo). El tema es definitivamente interesante, pero solo recomendaría este curso si está muy interesado en pgm’s.

Pros:

• Resumen detallado de un área interesante en ML
• Profundidad

Contras:

• Aburrido y sin motivación.
• Difícil de seguir
• No muy practico

(6) Otros que no he tomado

Hay algunos otros que están en mi lista pero no los he tomado todavía. Actualizaré esta respuesta si lo hago. En particular, he escuchado cosas buenas sobre la Introducción de Pedro Domingos al Aprendizaje Automático y las Redes neuronales para el Aprendizaje Automático de Geoff Hinton .

Answer 2

Por lo tanto, recientemente escribí una publicación de blog sobre este mismo tema, que se explica a continuación.

Hay muchos, muchos MOOCs en línea relacionados con el aprendizaje automático. Ya sean estadísticas, modelos de aprendizaje automático o incluso matemáticas básicas, hay mucho contenido disponible en línea y para alguien que recién comienza con el aprendizaje automático por su cuenta, puede ser bastante desalentador, como lo fue para mí.

Han pasado de 3 a 4 años desde que comencé en ML como estudiante y he pasado por muchas conferencias en línea y en clase para aprender. A través de esta publicación del blog, quiero ayudar a las personas que desean aprender el aprendizaje automático en línea.

He tenido la oportunidad de entrevistarme con ciertos gigantes del aprendizaje automático recientemente y una cosa que he aprendido: no es necesario que sepas todo. Solo necesita saber lo básico y algunas cosas avanzadas, pero necesita saberlo muy bien. Teniendo eso en cuenta, preparé una lista de MOOC de aprendizaje automático de Coursera, EdX y Udacity. También he considerado un nivel ‘O’ para las personas que no conocen la programación.

---

Nivel ‘O’: eres nuevo en programación

Si eres nuevo en la programación, sin lugar a dudas, dirígete a CS50 por Harvard, no hay mejor curso que este para alguien que está empezando a programar. Es la introducción perfecta a la programación.

---

Nivel 1: Matemáticas 101

Por lo tanto, aquí sé que ‘sabes codificación’. El primer paso es aprender algo de matemáticas. Incluso si lo sabe, debería realizar estos cursos para repasar todo, lo cual es muy importante.

1. Probabilidad y datos: Este es un curso breve que acumulará suficientes (pero no necesarios) antecedentes de probabilidad.
2. Estadísticas202 (Estadísticas 202: Aspectos estadísticos de la minería de datos): Aunque este curso dice “Minería de datos”, el contenido es aplicable en casi todas partes en AI – NLP, ML e incluso en Recuperación de información.

---

Nivel 2: ML 101

Entonces, ahora sé que ‘sabes algo de matemáticas’. Vamos a dar los pasos de bebé a ML. Mucha gente prefiere comenzar con el curso de coursera del profesor Andrew Ng, pero en mi opinión personal, creo que es demasiado para los principiantes, especialmente con el requisito de Octave / Matlab para conjuntos de problemas.

Teniendo esto en cuenta, le sugeriré que comience con el siguiente curso:

Fundamentos de ML con estudios de caso: es uno de los mejores principiantes cuando se trata de comenzar con el aprendizaje automático.

Ahora, dependiendo de su interés, puede tomar cualquiera / todos / algunos de los siguientes cursos (agregará más a esta lista cuando sea necesario):

1. PNL por la Universidad de Michigan
2. Minería de textos y análisis

---

Nivel 3: Aprendizaje Automático

Así que ahora ya sabes algo de introducción a ML. Todavía no es suficiente para prepararte para lo que hay ahí fuera. Aquí es donde, te sugiero que hojees el curso de Coursera del Prof. Andrew Ng, probablemente sin tareas de programación.

Le recomiendo encarecidamente que tome el curso de CalTech sobre Aprendizaje Automático. Es uno de los cursos más increíbles. Te empujará y te empujará para aprender más. Tiene matemáticas, teoría y practicidad, y la mejor parte es que el curso es el mismo que se ejecuta en CalTech.

---

Nivel 4: Aprendizaje Automático Avanzado

Así que ahora, sabes mucho en Aprendizaje Automático. ¿A dónde ir después? Una forma es ir a Coursera y tomar esos cursos de 4 a 5 semanas en cursos individuales sobre modelos como el de Regresión, Clasificación, etc.

Otra forma es aprender en profundidad, probablemente la palabra de moda más importante de esta década. No hay mejor lugar para comenzar que este: http://cs231n.github.io/ .
No es demasiado, pero es lo suficientemente bueno como para que aprendas lo suficiente para que comiences a explorar.

---

CONSEJOS: mientras aprende todo esto, asegúrese de que la codificación que hace y el contenido que aprenda sean visibles para las personas externas (consulte la política del curso / plataforma al respecto).

---

Eso es todo amigos. Apréndelo todo lejos.

---

Si desea saber más sobre mí, consulte mi perfil de LinkedIn.

---

Además, la publicación original del blog está aquí.

Answer 3

Hay una gran cantidad de grandes MOOC disponibles y es fácil perder la pista del objetivo real en la búsqueda. Si desea aprender ML para mejorar su base de conocimientos solamente, entonces está bien aventurarse en múltiples cursos. Pero si está buscando trabajo en este dominio, planea construir un producto centrado en el ML o trabajando en un proyecto paralelo, es importante que obtenga una visión holística en el menor tiempo posible y, por lo tanto, tome cursos de forma selectiva. Déjame guiarte a través de un plan que seguiría en tal caso.

Conceptos básicos : elija uno o más de Álgebra Lineal, cálculo multivariado, probabilidad y estadística, renovadores de R / Python según su necesidad.

• R / Python: Primeros dos cursos de estas especializaciones de DataCamp (R |
  Pitón)
• Estadística: Estadísticas descriptivas | Estadísticas inferenciales de Udacity
• Probabilidad, Álgebra Lineal – Vea las Notas de la Sección del curso CS229 ML de Stanford

Conceptos de ML : A continuación, tome el curso de Aprendizaje automático de Coursera de Andrew Ng para comprender los conceptos básicos de LD y obtenga una visión general de los temas del aprendizaje automático.

Matemáticas detrás de la codificación ML + : Síguela con una combinación de un curso teórico (Stanford CS229) y un curso práctico (curso Udemy ML AZ). Estos cursos deben realizarse simultáneamente, ya que CS229 proporciona una comprensión matemática detrás de los conceptos aprendidos en el curso de Andrew Ng y el curso Udemy ML AZ proporciona una amplia práctica de codificación para absorber esos conceptos.

Practique, practique y más práctica de ML : Ahora tiene una visión general y una sólida comprensión de varios algoritmos de ML. Es importante que refuerce su dominio sobre el tema participando en concursos / competiciones de ciencia de datos en línea o asumiendo un pequeño proyecto paralelo. Ideas de proyectos.
Para competiciones, plataformas como Kaggle, HackerEarth, Analytics Vidhya, DrivenData vienen al rescate.

Otras áreas de aplicación : Dependiendo de sus intereses, es posible que desee aplicar su conocimiento de LD en campos como minorista, mercadotecnia, cadena de suministro, etc. En cuyo caso, el repositorio de conjuntos de datos de Aprendizaje automático de UCI podría ayudar, o podría obtener una pasantía / trabajo en su dominio preferido.
Alternativamente, si está interesado en áreas como Visión por computadora y PNL, vale la pena explorar estos dos MOOC: Introducción a CV, Udacity y Minería de textos y análisis, Coursera.

Otro MOOC realmente bueno es los modelos gráficos probabilísticos de Daphne Koller en Coursera. Se trata de un género diferente de modelos ML y, aunque es un campo interesante, no lo consideraría en el plan de aprendizaje solo para lo esencial.

Después de todo esto, si aún está interesado, puede dedicarse a algunos cursos de Aprendizaje Profundo. Redes neuronales de Geoffrey Hinton en Coursera, CS231n de Stanford (Redes neuronales convolucionales), CS 224n (RNN para el aprendizaje profundo) y lo mejor de todo, fast.ai. de Jeremy Howard. fast.ai tiene dos MOOC y es una combinación brillante de experiencia práctica y comprensión teórica de los algoritmos DL de última generación.

Answer 4

En línea Hay varios MOOCs ahí, así que mejor tomar cualquiera.

Te sugeriré los mejores MOOCs de Aprendizaje Automático.

Aprendizaje automático AZ ™: práctica en Python & R en Data Science [recomendado]

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir nuestro conocimiento y ayudarlo a aprender teorías complejas, algoritmos y bibliotecas de codificación de manera sencilla.

Le guiaremos 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 nos sumergimos 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.

==> Machine Learning de la Universidad de Stanford, Mentor: Andrew Ng, cofundador, Coursera

Sobre este curso:

El aprendizaje automático es la ciencia de hacer que las computadoras actúen sin ser programadas explícitamente. En la última década, el aprendizaje automático nos ha brindado autos de auto manejo, reconocimiento de voz práctico, búsqueda en Internet efectiva y una mejor comprensión del genoma humano. El aprendizaje automático es tan generalizado hoy que probablemente lo uses docenas de veces al día sin saberlo. Muchos investigadores también piensan que es la mejor manera de avanzar hacia la IA a nivel humano. En esta clase, aprenderá sobre las técnicas de aprendizaje automático más efectivas, y adquirirá práctica implementándolas y haciendo que funcionen por su cuenta.

Y lo que es más importante, aprenderá no solo los fundamentos teóricos del aprendizaje, sino que también obtendrá los conocimientos prácticos necesarios para aplicar estas técnicas de manera rápida y poderosa a nuevos problemas. Finalmente, aprenderá sobre algunas de las mejores prácticas de innovación de Silicon Valley en lo que respecta al aprendizaje automático y la inteligencia artificial. Este curso proporciona una amplia introducción al aprendizaje automático, el análisis de datos y el reconocimiento de patrones estadísticos.

Los temas incluyen:

(i) Aprendizaje supervisado (algoritmos paramétricos / no paramétricos, máquinas de vectores de soporte, núcleos, redes neuronales).

(ii) Aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad, sistemas de recomendación, aprendizaje profundo).

(iii) Mejores prácticas en aprendizaje automático (teoría de sesgo / varianza; proceso de innovación en aprendizaje automático y IA).

El curso también se basará en numerosos estudios de casos y aplicaciones, de modo que también aprenderá cómo aplicar algoritmos de aprendizaje para construir robots inteligentes (percepción, control), comprensión de texto (búsqueda web, antispam), visión artificial, informática médica. , audio, minería de bases de datos, y otras áreas.

Todo lo mejor.

Answer 5

Esto es similar al que cada persona sugiere para comenzar en Aprendizaje automático.

Hay pre-requisitos sin embargo si estás empezando desde cero. Tienes que tener una comprensión básica de Álgebra Lineal y Teoría de la Probabilidad.

El curso Coursera de Andrew NG es bueno, pero solo si solo quieres aprender en la superficie y poder aplicarlo al trabajo de Desarrollador. Pero si estás en la universidad o en la universidad, te recomendaría que veas las conferencias de Stanford CS229 en YouTube y que resuelvas los problemas en el sitio web del curso. Los videos son para el curso ofrecido por Andrew NG en 2002, supongo y son relevantes aún. Aunque no son tan rigurosos.

Trate de implementar todos los algoritmos e ideas que surgen en las conferencias sobre el conjunto de datos del mundo real participando en el concurso Kaggle o simplemente busque en el repositorio de aprendizaje automático de UCI el conjunto de datos con el que desea jugar. Esto le brindaría un conocimiento práctico sobre ellos y las dificultades reales que enfrentan principalmente la limpieza y el manejo de los datos. Sería bueno si ha usado Numpy anteriormente, pero puede aprender sobre la marcha incluso si no lo hizo.

Answer 6

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 7

Desde una perspectiva de principiante aquí están,

MOOC

Coursera Machine Learning de Andrew Ng.

Aprendizaje automático – Universidad de Stanford | Coursera

Redes neuronales para el aprendizaje automático por Geoffrey Hinton.

Redes neuronales para el aprendizaje automático – Universidad de Toronto | Coursera

Libro

Inteligencia artificial: un enfoque moderno por Stuart Russell y Peter Norvig.

Qué ? …… Usted pidió lo mejor. Jaja

Answer 8

¡Hola!

Gran pregunta Aquí, en edX, un proveedor de MOOC y destino de aprendizaje en línea, que ofrece cursos de alta calidad desde las mejores universidades e instituciones del mundo hasta estudiantes de todo el mundo, tenemos un par de excelentes cursos de nivel introductorio para realizar en línea de forma gratuita:

Aprendizaje de máquina de ColumbiaX

Principios del aprendizaje automático de Microsoft

Espero que esto ayude y feliz aprendizaje!

Answer 9

He completado un curso de aprendizaje automático de nptel online learning. La conferencia fue buena y rápida introducción a los algoritmos de aprendizaje automático por parte de un profesor. B. Ravindram de IIT Madras. No solo fue un curso de introducción como ese en la era del curso o edx, sino que se obtuvo toda la derivación del algoritmo con las estadísticas requeridas. Así que puedes comenzar con estas conferencias y al final sentirás algo de confianza sobre este tema.

Gracias.

Answer 10

Encuentra en el enlace dado que tiene 16 enlaces a sitios web

• Gratis y de pago: MOOCs en línea (cursos abiertos masivos en línea) disponibles por Preeti Dwivedi en OV Blogger

Answer 11

Echa un vistazo a Cómo iniciar AI / ML / DL desde cero. ¡¡Buena suerte!!

Answer 12

También soy bastante nuevo en el aprendizaje automático. Todavía no he repasado los libros. He comenzado el curso de Andrew Cnera en Coursera y puedo decirles que es un gran lugar para comenzar. El curso comienza desde cero y es fácil de aprender.

Answer 13

Andrew Ng Course – Coursera si conoces MATLAB o Octave.

Introducción a ML – Udacity enseñada por Sebastian Thrun si eres mejor con Python. (Menos matemáticas. Más divertido.)