Lo siento por el retraso en la respuesta. Estoy de acuerdo con Devendra Kumar Sahu. Si su objetivo es ser bueno en ML (o usar ML para esa materia), recomendaría elegir ML adecuadamente y pensar en scikit solo como un medio para aplicar su conocimiento. Yo no lo haría el foco de mi aprendizaje. Algunas razones:
- scikit no es la única biblioteca que existe y, a la larga, no querrás estar unido a ella. Desea que sus fundamentos sean correctos, de modo que pueda cambiar entre bibliotecas con facilidad. Por ejemplo, algunas bibliotecas de R te ofrecen muchas más opciones para las implementaciones correspondientes en scikit.
- Una vez que sus fundamentos son buenos, siempre puede leer la documentación del sitio web de scikit para aprender a usarlo. Así es como la mayoría de los científicos de datos captan el scikit. Y créeme, esos tipos tienen documentación realmente impresionante .
- Vale la pena conocer los aspectos internos de muchas técnicas para usarlos de manera efectiva. Necesitarías una buena base en ML de todos modos.
Ahora, ¿cómo empezar con ML? Si está buscando un libro, recomiendo Aprendizaje automático: Tom M. Mitchell: 9780070428072: Amazon.com: Libros: le brinda explicaciones intuitivas de las técnicas, pero no profundiza mucho en las matemáticas. Si está buscando conferencias, le recomiendo encarecidamente Aprender de los datos – Curso en línea (MOOC). CS229 solía ser lo que recomendaba a los principiantes, pero lo he visto asustar a la gente con las matemáticas 🙂 Mi curso 101 favorito actual es el que está vinculado anteriormente: extremadamente bueno en la creación de bases intuitivas. Y Abu-Mostafa es un gran maestro.