¿Cuáles son algunos recursos en línea (de código abierto) para el reconocimiento de patrones de aprendizaje?

Por Reconocimiento de Patrones, asumo que básicamente estás buscando Aprendizaje Automático *

Videos en línea – Aprendizaje automático general

  • Aprendiendo de los datos – Caltech por el profesor Yaser Abu Mostafa
    Este es uno de los cursos de aprendizaje automático más impresionantes de la web. Este es un curso corto (en el número de temas cubiertos). Esto se centra principalmente en el aprendizaje supervisado y los fundamentos teóricos del aprendizaje automático.

    Sin embargo, la presentación de la conferencia del profesor Yaser es impecable, es muy claro en su explicación de los conceptos. Muy pocas veces cada vez que tenía una duda, su siguiente oración trataría de la misma cosa.

  • Aprendizaje automático – Coursera por el profesor Andrew Ng
    Estas son conferencias grabadas del curso de aprendizaje automático CS229 de la Universidad de Stanford. No he pasado por todos ellos, pero el estilo de enseñanza es muy accesible y el curso cubre más temas que el primero. Una versión muy modificada de esta clase, pero con tareas prácticas que puede hacer es en Coursera.
  • Aprendizaje estadístico por los profesores Hastie y Tibshirani
    No se deje confundir por el título, los profesores son estadísticos y prefieren llamar Aprendizaje automático como Aprendizaje estadístico. Las conferencias y también sus libros de texto son gratuitos.
  • El profesor Nando de Freitas, de la UBC, también tiene un par de grabaciones de cursos universitarios de aprendizaje automático que impartió en la UBC.
    1. Aprendizaje automático en la UBC 2013
    2. Aprendizaje automático en la UBC 2012
  • No he visto ninguna de las conferencias del profesor Nando, pero el contenido, especialmente en el curso de 2013, es muy amplio.

Algunos libros gratis

  1. Introducción al aprendizaje estadístico: James, Witten, Hastie y Tibshirani
  2. Elementos del aprendizaje estadístico: Hastie, Tibshirani y Friedman.
  3. David Barber: Razonamiento Bayesiano y Aprendizaje Automático

Videos Online – Redes Neuronales

En los últimos años, las redes neuronales, especialmente desde la llegada de Deep Learning, se han vuelto más populares.

  1. Redes neuronales para el aprendizaje automático por el profesor Hinton
    El profesor Hinton es posiblemente una de las principales autoridades en redes neuronales. Y esta es una buena introducción a las redes neuronales y al aprendizaje profundo introductorio. Sin embargo, una pequeña queja es que usa muchas palabras para describir algo que puede demostrarse de manera sucinta en figuras e imágenes.
  2. Clase de redes neuronales – Université de Sherbrooke por Hugo Larochelle es una introducción mucho más completa a Redes neuronales y Aprendizaje profundo

Libros gratis

  1. Redes neuronales – Una introducción sistemática por Raúl Rojas
    Solo pude encontrar este libro gratis en línea. Esto no cubre el Aprendizaje Profundo como se escribió alrededor de 1996 (el Aprendizaje Profundo comenzó en 2005 ~ 2006).
  2. Profundo libro de aprendizaje del profesor Yoshua Bengio: primer borrador
    El profesor Bengio es otro gran nombre que es el mundo de Aprendizaje Profundo, está escribiendo un libro, los primeros borradores están disponibles.

Tutorial práctico y otro material de lectura

Hay bastantes sitios también

  1. Tutorial de aprendizaje profundo y aprendizaje de funciones sin supervisión
  2. Lista de lectura “Aprendizaje profundo

También puedes ver la respuesta del profesor Bengio: ¿Cuáles son algunos buenos libros / documentos para aprender el aprendizaje profundo?

Sinceramente espero que encuentres esto útil. Si me perdí algo, por favor agrégalo a los comentarios, los incluiré también.

* – Estos términos son casi sinónimos , aunque creo que el reconocimiento de patrones se aplica principalmente al aprendizaje no supervisado, que al aprendizaje supervisado. Sin embargo, la mayoría de los recursos en línea ofrecen una buena visión general de estos dos temas, por lo que tampoco hago una distinción.

A2A

La mayoría de los cursos y fuentes ya han sido mencionados por el Sr. Afroz Mohiuddin.

Si está buscando específicamente cursos para el Reconocimiento de Patrones, hay un gran curso provisto por MIT.
Reconocimiento y análisis de patrones

También puede encontrar conferencias específicas de reconocimiento de patrones directamente en YouTube.
Clase de reconocimiento de patrones (2012)
Electrónica – Reconocimiento de patrones y aplicación

¡Feliz aprendizaje!

La tendencia en el mundo académico es publicar todos los materiales del curso en línea. Busque a una persona cuyo reconocimiento de patrones, aprendizaje automático o ideas de visión artificial le guste, y vaya a su página de inicio. Visite los sitios web del curso y repase las diapositivas que ponen en línea.

Definitivamente no es tan valioso como estar en el aula, pero sin embargo, ¡es una excelente manera de aprender!

¡Usa el Internet! ¡Utiliza Google! Hacer preguntas. Leer archivos PDF, ver conferencias en YouTube.

No obtendrás un título oficial, pero el conocimiento es conocimiento. ¡Ve a aprender!

TensorFlow de Google es una de las mejores bibliotecas gratuitas de código abierto para el aprendizaje automático y la inteligencia artificial.

Vaya a Youtube, escriba Google Tensorflow Tutorial en el canal del desarrollador de Google y será el mejor para encontrar muchos videos y comprenderlos.

como Tomasz Malisiewicz dijo que ve y aprende que no obtendrás un título oficial, pero sí el conocimiento es lo mejor que obtendrás. aclamaciones.

PD: mira mi canal. Si puedes mirar en hindi sobre tensorflow. TheWebCoderTricks

Puedes hacer cualquier curso en línea sobre aprendizaje automático. Coursera ofrece un curso gratuito en línea sobre aprendizaje automático con material bien explicado y tareas para una mejor comprensión del aprendizaje automático. Aquí hay un enlace al curso: https://www.coursera.org/course/ml
Otro buen curso sobre ml y reconocimiento de patrones se iniciará en edx: Learn from Data CS1156x de Caltech. El profesor es realmente muy bueno para explicar los conceptos y el mismo contenido del curso se ofrece en Caltech. Puede ver el curso desde aquí: https://www.edx.org/course/calte