Primero necesita saber matemáticas (álgebra lineal básica, estadísticas, cálculo y probabilidad), algo de experiencia en programas (Python o R Language). entonces puedes aprender Aprendizaje automático. Te sugeriré el mejor curso de Aprendizaje automático en línea
==> Machine Learning AZ ™: Hands-On Python & R en 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:
- ¿Qué lecciones de cambio de vida has aprendido de tus experiencias pasadas aparte de tu ex?
- Con ganas de iniciar una empresa de personalización de automóviles en el futuro y no ser de ciencia, ¿cómo hago para aprender habilidades y hacer contactos?
- Cómo aprender a reutilizar todo.
- ¿Qué puede aprender un individuo de los 10 avatares de vishnu?
- ¿Cuáles son el conjunto de habilidades que tengo para comenzar a aprender hoy para una gran carrera independiente?
- 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.
==> Machine Learning de la Universidad de Stanford, Mentor: Andrew Ng, cofundador, Coursera
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…..