No soy estudiante de CS, pero quiero seguir mi carrera en análisis de datos, inteligencia artificial o aprendizaje automático. ¿Cómo empiezo a aprender sobre estas cosas desde el principio?

Answer 1

Estos son los pasos generales a seguir desde la perspectiva del Aprendizaje Automático:

1. Aprender un lenguaje de programación (preferiblemente Python , R ) .
2. Aprender Algebra Lineal.
3. Aprender Probabilidad y Estadística
4. Aprender el aprendizaje automático . El aprendizaje automático ayuda en el análisis de datos y en el logro de los objetivos de la inteligencia artificial. Entonces, si desea abarcar los tres y estudiar solo uno de los tres, ¡es mejor ir a Aprendizaje automático! Aquí está la lista de temas que necesita estudiar para aprendizaje automático:
1. Definiciones de los tipos de aprendizaje: aprendizaje supervisado, aprendizaje no supervisado, semi supervisado y aprendizaje de refuerzo.
2. Concepto de función de coste.
3. Concepto de sesgo y varianza.
4. Concepto de generalización, fallas, sobreajuste y regularización.
5. Tipos comunes de función de densidad de probabilidad, por ejemplo, gaussiana, uniforme, etc.
6. Métodos de minimización de costes como el descenso del degradado.
7. Los métodos más importantes y básicos son: Regresión lineal, Regresión logística, Bayas ingenuas, Vecino más cercano k, K-significa agrupación.
8. Método de estimación de máxima verosimilitud

Para lograr lo anterior, muchos cursos de Coursera y Udacity pueden ayudar. Aquí hay algunas fuentes que podrían ayudar:

1. Curso sobre Álgebra Lineal por uno de los mejores profesores (del MIT) sobre el tema.
2. Curso de Probabilidad y Datos.
3. Curso de aprendizaje automático realizado por uno de los mejores profesores (de Stanford).

También verifique:

1. ¿Es posible cambiar de carrera a aprendizaje automático después de hacer MS en ingeniería de comunicación?
2. ¿Qué debo hacer después de completar los cursos en línea sobre aprendizaje automático y ciencia de la información?
3. ¿Es suficiente completar un curso de aprendizaje automático por Andrew Ng de Coursera? ¿Hay otras fuentes de donde puedo obtener problemas de práctica?

Referencias:

1. ¿Qué temas debería estudiar como principiante que se incluye en el aprendizaje automático?

Answer 2

Oye
No es necesario ser de un fondo CS o cualquier fondo para el caso. El interés en Matemáticas y las materias que necesita aprender es lo correcto para hacer una carrera en análisis de datos, inteligencia artificial o aprendizaje automático.
Aquí hay una guía simple para usted.

Paso 1- Comprender qué es Big Data, Data Science, análisis, Machine Learning.

Comience con facilidad con la historia más simple de Big Data
Sigue a influencers como

1. Bernard Marr
2. Vincent Granville, etc. en LinkedIn comienza a leer sus publicaciones más antiguas para tener una idea del campo, desarrollos, etc.
3. Kirk Borne (@KirkDBorne) | Gorjeo
   Bernard Marr (@BernardMarr) | Gorjeo
   INSOFE (@INSOFEedu) | Gorjeo

Paso 2 – Sigue estos blogs regularmente

Inscríbase en Data Science Central. Le envían actualizaciones diarias y semanales sobre casos de estudio, noticias, avances en ciencia de datos, etc. De hecho, la información allí es suficiente para mantenerse al día con las noticias.
Siga Forbes, numerosas noticias y actualizaciones interesantes sobre la ciencia de datos todos los días.
Algunos otros sitios web a seguir son:
Big Data News, análisis y asesoramiento – InformationWeek
El Big Data Hub
Planeta grandes datos
grandes datos | Blogs de Forrester
Revista Analytics India
Grande en los datos | ZDNet etc

Mira esto también. ¿Cómo convertirse en un científico de datos de forma gratuita?

Paso 3: únase a grupos de Big data / Data Science en Facebook / LinkedIn para participar en las discusiones. Obtenga opiniones de expertos mediante la publicación de sus propias consultas.

Después de familiarizarse con las industrias que utilizan Big Data, qué campo le interesa más y todas las preguntas básicas sobre la carrera. Usted toma

Paso 4 – Ir para una certificación / Masters

Si tiene planes, tener un Máster con Especialización en Big Data lo mantendrá abierto a los cambios de carrera en una ventana más amplia en el futuro, sin embargo, la ciencia de los datos es un campo bastante esperanzador, por lo que se recomienda ir por eso ya que no tiene CS fondo.
Los siguientes son algunos programas que se ajustan a su necesidad.
Universidad de Drexel USA
BGSU USA

De otra manera
Hay varias otras certificaciones que puede hacer, tales como

1. Acceda a los entrenamientos de certificación de Big Data y Analytics con Simplilearn.com
2. Cursos de análisis de datos masivos-UDEMY
3. Formación y certificación de Big Data en línea | Academia de rompecabezas

El mejor camino para comenzar una carrera en ciencias de datos es ir primero a una pasantía, hay institutos que contratan personal de primer nivel como pasantes mientras los capacitan en Big Data, análisis, etc. Ejemplo Escuela Internacional de Ingeniería (INSOFE) – Hyderabad
Brindan becas para programas de Certificación en Big Data Analytics a nuevos y profesionales con 0-3 años de experiencia, al mismo tiempo que ofrecen pasantías pagas al involucrarlos en proyectos del mundo real junto con colocaciones posteriores al programa. Su programa está certificado por la LTI de la Universidad Carnegie Mellon y cotiza junto a las universidades de Columbia y Stanford.

Sobre la base de las calificaciones aquí hay algunas fuentes donde puede tener opciones para elegir

1. 11 certificaciones de Big Data que darán frutos
2. 7 Certificaciones de Big Data que debe conocer / probablemente tenga
3. CIO.com – Tech News, Analysis, Blogs, Video &
4. Noticias de la India sobre tecnología, electrónica, computadoras, código abierto y más: EFYTIMES.COM

LA MEJOR DE LAS SUERTES.

Answer 3

Antes de que puedas aprender mucho sobre AI o ML. Tendrá que tener una educación técnica general básica. El mejor lugar para conseguir eso es en una universidad pero PUEDES estudiar por tu cuenta. Los conceptos básicos pueden incluir matemáticas (cálculo básico, estadísticas y álgebra lineal) que necesita para convertirse en un programador de computadoras decente. Tenga en cuenta que estas dos cosas están cubiertas en los primeros dos años de un título de cuatro años en informática.

Cuando digo “programador decente”, significa que tienes algo de experiencia con un par de idiomas diferentes al menos, Python es uno y puede escribir programas con una complejidad moderada, más que simples tareas de libros de texto.

Entonces esto es lo que haces, armado con lo anterior, haz dos cosas: (1) Lee mucho. Los libros son buenos Necesitas la profundidad que solo tienen las presentaciones en longitud de libro.

Si la lectura no es lo tuyo, hay buenos cursos en línea que son más como conferencias. y (2) encontrar algunos problemas REALES para trabajar. Un muy buen lugar para mirar es competiciones | Kaggle

Kaggle organiza competiciones. Algunos de ellos están diseñados específicamente para principiantes para que puedan aprender y luego ir a por los más difíciles.

Las dos tareas, leer y competir son complementarias y nunca aprenderás si no haces AMBOS. La teoría de la lectura puede ser inútil a menos que apliques lo que aprendes y no puedas hacer ningún trabajo en serie sin leer la teoría. Tener una competencia te obliga a investigar la teoría básica y te da una forma de aplicar lo que sabes Y, de manera importante, te permite hacer una evaluación realista de tus habilidades. Ii no es realista al pensar que puedes ganar las competiciones, pero deberías poder enviar tu participación aunque tenga una puntuación baja. Al menos deberías poder terminar.

En realidad no tienes que entrar en las competiciones. Kaggle deja los datos de muestra y las reglas del concurso mucho tiempo después de que finalice el concurso para que pueda usarlo como una tarea de autoaprendizaje. De hecho, alientan seriamente al ganador a escribir sus soluciones y publicar el código. Así que los principiantes pueden tener “la respuesta” a las preguntas anteriores. Pero incluso leer el código es educativo porque es probable que tenga que investigar y ver cómo funciona lo que escribieron. Por ejemplo, no es bueno simplemente ver “ReLU” como se usa, lo buscaría y trataría de entender su elección. Aprendes un poco de tiempo y miras algo así. Pero tampoco dejes de leer la teoría básica. Lo que me gusta de Kaggle es que son tareas REALES. La gente les está pagando mucho dinero a los ganadores porque quieren que se resuelvan estas tareas. Así que aprende a lidiar con problemas del mundo real como la falta o datos de buena calidad.

Así que, en definitiva

1. Educación básica de pregrado, división de computación y matemáticas.
2. lee libros de texto de introducción como “introducción a la IA con Python” o algo así. O hacer alguna clase en línea.
3. Trate de hacer asignaciones personales no triviales, tal vez de Kaggle
4. Vaya al # 2 tantas veces como sea necesario para apoyar la tarea # 3. (Es probable que este bucle nunca termine, pero es de esperar que su idea de “no trivial” siga siendo más grande y más compleja)

Finalmente una cosa más: estás estudiando otro tema. Esto es bueno. El aprendizaje automático, la IA y las computadoras en general siempre deben aplicarse a algún campo. Podría ser banca, manufactura, ventas minoristas o medicina. Lo que se necesita es que la gente sepa cómo AMBAS computadoras y la otra industria. Alguien que haya estudiado (digamos) microbiología y computadoras lo hará bien. (o Banca y computadoras, u otras combinaciones)

Answer 4

Veo la intención de tu pregunta, ¡así que vamos a los siguientes pasos!

1. Aprende los conceptos básicos de Python o R. No profundices tanto como para perderte en sus complejidades. Cheatsheet – Python para principiantes
2. Comience a jugar con datos utilizando uno de los idiomas mencionados anteriormente. Consulta los medios, medianas, outliers, etc.
3. Aprenda algunas estadísticas: probabilidad, distribución, normalización , etc., hay toneladas de recursos disponibles en línea de forma gratuita
4. Ahora estás listo para ensuciarte las manos con ML. Aprende los diferentes tipos y entiende los conceptos. La mayor parte de la implementación está a cargo de los paquetes; el rol de los científicos de datos es seleccionar e implementar (y en algunos casos modificar) el modelo de ajuste adecuado. Tutoriales scikit-learn

¡Que te diviertas!

Si crees que mi respuesta te ayudó, por favor, vota arriba. ¡Me mantienen en marcha!

Answer 5

6 pasos sencillos para comenzar a aprender inteligencia artificial

La inteligencia artificial (IA) es una subdivisión de ingeniería de software. El objetivo principal es permitir que un PC inteligente / teléfono celular realice ejercicios que normalmente realizan las personas. Para comenzar con lo dicho en los años 50 en el documento “Computing Machinery and Intelligence”, compuesto por el matemático Alan Turing, la IA es actualmente un campo muy conocido, y hemos impulsado la innovación a “culpa” por eso. Este artículo trata sobre aprendiendo Inteligencia Artificial y le daremos una guía completa que puede utilizar como punto de partida para aprender inteligencia artificial.

Donde empieces depende de lo que ya sabes.

A continuación encontrará una lista de recursos para aprender y practicar y cómo comenzar en Inteligencia Artificial en 6 sencillos pasos:

PASO 1 ) Aprende Python y SQL

Python es lo que muchos prefieren comenzar porque sus bibliotecas se adaptan mucho mejor al Aprendizaje automático.

PASO 2 ) Aprender Aprendizaje Automático de un par de cursos.

He incluido aquí los 10 mejores cursos de Inteligencia Artificial y Aprendizaje Automático que te ayudarán a convertirte en el siguiente maestro de ML o Google o Apple.

PASO 3. ) Aprenda los conceptos básicos de la teoría de la probabilidad, estadísticas, ciencia de la información y algunas matemáticas computacionales.

PASO 4 ). He enumerado aquí algunos de mis libros electrónicos favoritos de aprendizaje automático / ciencia de datos desde donde puede descargarlos y ponerlos en marcha. Principios / estadísticas de aprendizaje automático para que los desarrolladores se conviertan en buenos en la construcción de sistemas de inteligencia artificial rápidamente.

PASO 5 ). Practica algunos ejercicios en Scikit desde el sitio web:

PASO 6 ). Practica la práctica por tu cuenta, paso a paso te convertirás lentamente en programador de IA.

He enumerado aquí las herramientas de AI de código abierto que puedes usar para construir tus soluciones

Una vez que haya completado estos 6 pasos, puede echar un vistazo a estas preguntas de la entrevista en AI y comenzar a dar entrevistas si desea comenzar su carrera en AI / ML. ¡Buena suerte!

Answer 6

1. Aprende un lenguaje de programación fácil de usar (python / julia)
2. Leer algunos libros básicos Minería de conjuntos de datos masivos, Introducción al aprendizaje estadístico
3. Tomar cursos en línea. Las ciencias de la información de Bill Howe, Machine Learning de Andrew Ng y el análisis de datos de Nathan Kutz son las que más me gustaron. Todos estos son cursos introductorios sobre la coursera.

Answer 7

Hay muchas clases de video en Youtube o clases gratuitas en línea como coursera para aprender analítica de datos. Uno de los aspectos principales de Analytics es practicar para trabajar con datos de la vida real . Puede tomar cursos en línea, ver videos o leer libros tanto como quiera, pero esos no le ayudarán a menos que practique con datos.

Para resolver esto, CrowdANALYTIX ha lanzado una serie de concursos de aprendizaje gratuitos bajo ” Análisis de negocios para principiantes que usan R ” en su plataforma con datos de la vida real. Puede aprender, así como practicar con datos dados para perfeccionar sus habilidades. Esta es una tienda gratuita donde aprenderá a trabajar con datos de la vida real que cubren temas como preparación de datos, pruebas estadísticas, modelado, aprendizaje automático, cómo escribir informes de análisis técnico, etc. y obtener toda la ayuda y los recursos necesarios. Hasta ahora hemos lanzado un concurso que abarca 3 temas y seguiremos agregando más. Proporcionamos toda la orientación y los recursos necesarios para que nuestros solucionadores puedan aprender y crecer. Los solucionadores obtendrán certificado de participación también.

Además, una vez que tenga el conocimiento adecuado, puede comenzar a participar en nuestro concurso de clientes que tienen dinero en premios asociado. Si su solución se encuentra entre los mejores solucionadores, recibirá premios en efectivo. Leer más aquí:
Lanzamiento de concursos de aprendizaje de Business Analytics

También publicamos muchas actualizaciones sobre el acceso a datos, casos de estudio, códigos y nuevos concursos en twitter. Síganos en Twitter:
CrowdANALYTIX (@crowdanalytix_q) | Gorjeo

Answer 8

Dado que ha decidido seguir una carrera en los campos que mencionó, asumo que debe haber un proceso de pensamiento detrás de esto.

Si la respuesta de las hojas a lo anterior es afirmativa, entonces el primer paso es entender de qué se tratan estos campos. Al comprender los problemas y cómo se resuelven, estará en el camino donde la literatura tendrá un sentido lógico para usted. Este es siempre el primer paso: identificar qué problema y la parte POR QUÉ.

El segundo paso puede ser una conferencia en línea o una asignación de programación si está

Answer 9

Creo que para que comiences tu carrera en cualquiera de estos campos. ¡debe comenzar por centrarse en sus habilidades técnicas y en cómo se utilizan en Analytics! Analytics Leap (www.a-leap.com) tiene algunos cursos realmente buenos en los que han demostrado cómo (por ejemplo) se puede usar Excel para segmentar a los clientes o extraer inferencias de los gráficos.

Los cursos con los que debería comenzar: Excel, SAS, R o Python y luego, una vez que obtenga un trabajo en analítica o en cualquiera de estos campos, ¡poco a poco comenzará a aprender más sobre ellos!

Espero que esto ayude.

Mejor,

UNA

Answer 10

¿Cómo comenzar una carrera en Analytics gratis?

Edit: Acabo de publicar este blog. Esto le ayudará con las entrevistas de análisis de craqueo.
¿Qué esperar en una entrevista de Analytics?

Espero que esto ayude 🙂

Aclamaciones,
Akshay

Answer 11

Una de las mejores cosas que puede hacer estos días para prepararse para una carrera en ciencias de la computación o inteligencia artificial es obtener un sólido historial de laboratorio en biología molecular, química orgánica, física cuántica, neurociencia o disciplina relacionada. Por otro lado, la mejor manera de prepararse para una carrera en biología es aprender java y python.