¿Cómo intentaría aprender aprendizaje automático?

Answer 1

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:

• 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…..

Answer 2

Puede tomar el curso a continuación que necesita las matemáticas básicas de la escuela secundaria como requisito previo para el aprendizaje automático.

¿Interesado en el campo del Aprendizaje Automático? Entonces este curso es para ti!

Requisitos para tomar este curso es-

• 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

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos 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.

¿Qué aprenderé?

• 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.

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

Answer 3

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.

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, información médica. , audio, minería de bases de datos, y otras áreas.

Answer 4

La mejor manera de aprender algo nuevo es haciendo un proyecto en él. Siempre fija un objetivo que al final de tu proceso de aprendizaje, deberías poder lograrlo.

Necesitas saber muy bien la programación y las estadísticas. De lo contrario, no se relacionaría con la mayoría de los conceptos del aprendizaje automático. Asegúrese de tener los mentores adecuados y aprenda en el orden correcto. No vaya a un curso que requiera estadísticas avanzadas y habilidades de programación como requisitos previos en las etapas iniciales.

Puede hacer uso de tutoría, certificación y explicación conceptual detallada aquí

Tutorial de Aprendizaje Automático y Procesamiento de Lenguaje Natural | ChalkStreet

El curso anterior está diseñado de tal manera que los ejemplos están en python, que es el mejor lenguaje posible para experimentar con el aprendizaje automático. El curso está hecho por personas de Google y Stanford.

Solo recuerde lo siguiente, cuando sienta que no lo está haciendo bien.
“Un auto de tesla salvó la vida de un hombre conduciéndolo al hospital a 20 millas de distancia. Sin el aprendizaje automático, esto no podría haber sido posible “.

Answer 5

Le sugiero que siga este enlace para que pueda aprender Aprendizaje automático en 90 días paso a paso.