Cómo aprender el aprendizaje automático más rápido.

Answer 1

Permítanme comenzar con una pregunta. ¿Quieres aprender Aprendizaje automático rápido o quieres aprenderlo bien? Creo firmemente que el tiempo no debe ser una limitación para aprender nada. Puede optimizar su aprendizaje siguiendo el principio 80-20 de Pareto, que explica cómo se usa el 20% de un tema el 80% del tiempo. Pero no sugeriría hacer un compromiso en el aprendizaje.

El aprendizaje automático es en sí mismo un gran aprendizaje. El término aprendizaje automático se explica por sí mismo. Las máquinas aprenden a realizar tareas que no están específicamente programadas para hacer.

El aprendizaje automático en un proceso es

1. Algoritmos que consumen datos gigantescos.
2. Extracción de patrones a partir de los datos.
3. Convertir patrones a acciones.

No se sorprenda si se encuentra con un anuncio exactamente similar a sus intereses que quería comprar la última vez que estuvo de compras en línea. Eso simplemente es aprendizaje automático.

El Aprendizaje automático es un campo vasto, saber simplemente Python no es suficiente. Hay muchas otras cosas que debe saber para ser un ingeniero de aprendizaje automático.

Estas son las habilidades que tendrá que desarrollar además de Python para sobresalir en el campo del aprendizaje automático.

Habilidades básicas

El aprendizaje automático es un conjunto mixto de ingeniería de software, matemáticas y ciencia de datos. Estas tres son las habilidades básicas y una debe ser competente en ello. Profundizando en esto

Probabilidades y estadísticas

Uno puede aprender acerca de los algoritmos con la ayuda de las teorías de probabilidad y estadística. Algunos modelos, como los modelos de mezcla gaussianos, los modelos naive bayes y los modelos ocultos de Markov, exigen una buena comprensión de la probabilidad y las estadísticas. Aprender la teoría de la medida. Las estadísticas ayudan como modelo de métrica de evaluación como curvas receptor-operador, matrices de confusión, valores p, etc.

Modelado de datos

Los ingenieros de aprendizaje automático también tienen que analizar datos no estructurados. Esto se basa principalmente en la ciencia del modelado de datos, el proceso de evaluar la estructura básica de un conjunto de datos, ubicar patrones y cerrar la brecha donde no hay rastros de datos. El modelado de datos es la base del desarrollo de algoritmos firmes que pueden mejorarse con el tiempo.

Habilidades en programación

Sus habilidades de programación y desarrollo de software serán las más importantes, ya que el aprendizaje automático consiste en desarrollar algoritmos productivos.

Fundamentos de Programación y Ciencias de la Computación

Existe una gran cantidad de cálculos sobre una cantidad extremadamente grande de datos en el aprendizaje automático. Por lo tanto, uno debe ser claro con

• Estructuras de datos como colas, matrices multidimensionales, pilas de árboles, gráficos, etc.
• Complejidad como problemas NP-completos, P vs. NP, notación big-O.
• Algoritmos como búsqueda, optimización, programación dinámica, clasificación.
• Constitución de computadoras como caché, puntos muertos, memoria, ancho de banda, procesamiento distribuido.

Una vez que esté profundamente familiarizado con estos fundamentos, también es responsable de saber cómo aplicarlos e implementarlos durante la programación.

Diseño de software

¿Qué ofrecen los ingenieros de aprendizaje automático? Ellos entregan “Software”. Si observamos de cerca, el software es un componente muy pequeño, sin embargo, un cambio de juego en una gran comunidad de productos y servicios. Por lo tanto, es importante formar sistemas y algoritmos que puedan integrarse eficazmente con dicho software. Al tener un fuerte control sobre la API, las bibliotecas dinámicas ayudarán en el diseño de software adecuado y en el desarrollo efectivo de interfaces.

Matemáticas Aplicadas y Algoritmos

Las implementaciones universales de Aprendizaje automático son fácilmente accesibles a través de bibliotecas como Theano, scikit-learn, Spark MLlib, TensorFlow, H2O, etc. Sin embargo, elija un modelo apropiado para implementarlas de manera efectiva como el árbol de decisiones, el vecino más cercano, la red neuronal, el conjunto de múltiples modelos, máquina de vectores de soporte, etc. Es necesario tener conocimientos sobre optimización convexa, programación cuadrática, gradiente decente, ecuaciones diferenciales parciales, lagrange, etc. Además, es importante tener una idea acerca de los méritos y desventajas de diferentes enfoques, como el sobreajuste y el desajuste, la fuga de datos, sesgo y varianza, datos faltantes, fuga de datos.

Aprendizaje automático de lenguajes de programación

El aprendizaje automático no se limita a ningún lenguaje específico. Encontrarás bibliotecas ML en diferentes lenguajes de programación como C, C ++, R y Python. Entre todos estos lenguajes de programación, el mejor lenguaje en mi opinión para seguir adelante es Python.

Los científicos de datos y los ingenieros de aprendizaje automático se enamoran fácilmente del lenguaje Python debido a su fácil sintaxis. Python garantiza la informática científica y el procesamiento de datos eficientes, gracias a sus bibliotecas útiles como SciPy, NumPy y Pandas. Algunas bibliotecas especializadas de ML como Theano, scikit-learn y TensorFlow desarrollan algoritmos fácilmente con diversas plataformas informáticas.

Con tanto entusiasmo por el aprendizaje automático ya en 2017, estoy seguro de que el aprendizaje automático surgirá cada vez más en los próximos años. ML jugará un papel importante en el moldeado del futuro de las plataformas en línea.

Descargo de responsabilidad: Soy un co-fundador de @GreyAtom, ayudando a los talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.

Algunos enlaces rápidos

• Programa – http://www.greyatom.com/full-sta…
• Converse con el consejero académico: le invitamos a compartir todas sus dudas, las inseguridades que prestan atención a lo que haremos con nuestro mejor esfuerzo para guiarlo hacia su trayectoria profesional de éxito. https://calendly.com/greyatom/co…

Answer 2

8 maneras en que puedes tener éxito en una carrera de aprendizaje automático

El aprendizaje automático está explotando y los algoritmos inteligentes se utilizan en todas partes, desde el correo electrónico hasta las aplicaciones de teléfonos inteligentes y las campañas de marketing. Traducción: si está buscando una carrera en demanda, ponerse en contacto con las habilidades para trabajar con máquinas inteligentes / inteligencia artificial es un buen paso.

Con el aporte de Florian Douetteau, CEO de Dataiku, aquí hay algunas cosas que puede comenzar a hacer hoy para posicionarse para una futura carrera en aprendizaje automático.

1. Comprender qué es el aprendizaje automático.

Esto puede parecer obvio, dice Douetteau, pero es importante. “Tener la experiencia y la comprensión de lo que es el aprendizaje automático, la comprensión de las matemáticas básicas que lo respaldan, la comprensión de la tecnología alternativa y la experiencia – la experiencia práctica – con la tecnología es clave”.

2. Sé curioso.

El aprendizaje automático y la inteligencia artificial son cosas modernas que solo continuarán evolucionando en el futuro, por lo que tener un sano sentido de la curiosidad y el amor por el aprendizaje es esencial para seguir aprendiendo nuevas tecnologías y lo que conlleva.

“El aprendizaje automático, como demanda, evolucionó muy rápidamente en los últimos años con nuevas técnicas, nuevas tecnologías, nuevos lenguajes, nuevos marcos, nuevas cosas que aprender, lo que hizo que fuera muy importante que las personas estuvieran ansiosas por aprender”, dice Douetteau. . “Lo que significa, estar en línea, leer sobre nuevos marcos, leer nuevos artículos, aprovechar los cursos en línea y Coursera, y así sucesivamente. Rasgo número uno si quiere tener éxito como alguien que trabaja en aprendizaje automático es curioso”. Lee los próximos pasos

Answer 3

Para aprender el aprendizaje automático más rápido, debe ser mejor que el promedio en matemáticas. Aquí están las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.

• Álgebra lineal-Álgebra lineal – MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de probabilidad-Probabilidad y estadística – MIT 6.041 Análisis probabilístico de sistemas y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo de variaciones
• Teoría de grafos
• Métodos de optimización (multiplicadores de Lagrange)
• Cualquier lenguaje de programación que sea ampliamente utilizado para ML como python, MATLAB o C ++.

PD: recomendaría Python aquí como idioma y recomendaría los siguientes enlaces:

• Aprendizaje automático con texto en scikit-learn (PyCon 2016)
• Aprendizaje automático en Python con scikit-learn

Una vez cumplidos estos requisitos, por fin puede comenzar a considerar el Aprendizaje automático.

6 PASOS FÁCILES PARA UTILIZAR EL APRENDIZAJE EN MÁQUINA?

Este es el lugar donde comienza la diversión. Ahora, se espera que la fundación comience a echar un vistazo a algunos datos. La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:

PASO 1.) Fabrique sus fundamentos de aprendizaje automático estudiando algunos materiales relacionados con el tema:

a.) Las conferencias de Aprendizaje automático de Andrew Ng son un gran comienzo:

Colección de conferencias | Aprendizaje automático – YouTube

b.) Certificado de aplicaciones y minería de datos de Stanford:

Certificado de postgrado en minería de datos y solicitudes

c.) Escuela de verano de aprendizaje automático:

https://www.youtube.com/playlist …

d.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla …

e.) “Transmita la mejor introducción de aprendizaje automático que he visto hasta ahora”.

PASO 2.) Toma un curso en línea

Lo principal que aconsejo a alguien que necesita aprender aprendizaje automático es tomar el curso en línea de Andrew Ng.

Creo que el curso de Ng es especialmente puntual y excepcionalmente eficiente, por lo que es un conocido extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando los individuos me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”. Ante la posibilidad de que me revelen que solicito que aclaren el contraste entre Regresión logística y SVM de kernel lineal, PCA versus Factorización matricial, regularización o pendiente de gradiente. He hablado con los aspirantes que afirmaron años de encuentro de ML que no sabían la respuesta a estas preguntas. En su mayor parte están claramente aclarados en el curso de Ng. Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.

Vea mi publicación anterior Los 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados

PASO 3.) Algunas sugerencias de libros.

Mi paso subsiguiente sugerido es obtener un libro decente de LD (mi resumen más abajo), leer las secciones principales de introducción, y después de que el rebote a cualquier parte incorpore un algoritmo, está interesado. Cuando hayas descubierto que algo, salta a él, observa cada uno de los puntos de interés y, en particular, implementalo. En el último paso del curso en línea, a partir de ahora, habría actualizado algunos algoritmos en Octave. Sea como sea, aquí estoy mirando la ejecución de un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con uno simple, por ejemplo, Regresión logística regularizada por L2, o k-means, pero también debería esforzarse para actualizar todos los más interesantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de que está obteniendo resultados equivalentes.

• El razonamiento bayesiano de David Barber y el aprendizaje automático
• Aprendizaje automático de Kevin Murphy: una perspectiva probabilística
• Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
• Reconocimiento de patrones del obispo y aprendizaje automático
• Aprendizaje de máquina de Mitchell

También hay numerosos libros geniales que se centran en un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplar antes de su distribución. Sea como sea, necesita un par de esos libros para reunir un grado de comprensión de gran alcance y equilibrado del campo.

Ver mi publicación anterior 10 libros electrónicos gratuitos que debes leer sobre los conceptos básicos del aprendizaje automático.

Asimismo, puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y se sumerja en él.

PASO 4.) La mayoría de los algoritmos esenciales

Se confía en usted para conocer las tuercas y los tornillos de un algoritmo esencial.

Ver mis algoritmos posteriores a 15 algoritmos que los ingenieros de aprendizaje deben conocer.

PASO 5.) Juega con unos enormes conjuntos de datos que son accesibles de forma abierta.

Descubra un conjunto de datos que le parezca especialmente intrigante o sobre el que tenga hipótesis y verifique si tiene razón.

Datos del gobierno de los EE. UU. http://www.data.gov/

Empresa Ferroviaria de Catering y Turismo http://www.irctc.co.in

PASO 6.) Participe en un equipo de aprendizaje automático o personalización centrado en el producto.

El grupo que busca debe estar cargado de ingenieros a los que desea instruir y aprender. Esto te ayudará a convertirte en un buen ingeniero de aprendizaje automático. Del mismo modo, al separar un grupo de productos, rápidamente descubrirás cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.

Answer 4

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

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

Aprende a crear Algoritmos de aprendizaje automático en Python y R con dos expertos en Data Science. Plantillas de código incluidas.

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.

Requerimientos

• 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

Answer 5

Supongo que quiere decir que quiere aprender aprendizaje automático rápidamente. Si eso es lo que quieres, puede que no sea posible demasiado rápido, pero hay formas, por lo que creo.

Aprender el aprendizaje automático completo no será tan rápido como aprender alguna teoría o marco. Porque no es solo una teoría para leer, o un marco para usar atajos.

Para aprender el aprendizaje automático, necesita aprender muchas cosas, como se menciona en las otras respuestas, como estadísticas, lenguaje de programación, matemáticas aplicadas, diseño de software, etc.

Si desea obtener todo en un solo lugar con cobertura completa, mejor tome un curso en línea. Encontré que un curso es más prometedor, el cual es aplicado a una enfermera.

Answer 6

Intenta más rápido. A menudo, para comprender realmente un concepto, uno tiene que probarlo, y de ese modo, encontrará conceptos que no le resultaron muy claros.

Pero, de todos modos, no intente apresurarse, eso sería peor y, al final, una pérdida de tiempo. Tómese su tiempo para comprender los conceptos, haga que su mente los “digiera” y verdaderamente los internalice. Realice algunos pasos todos los días y en poco tiempo habrá entendido una amplia gama de temas.

A menudo, muchos cursos de LD, que puedes encontrar en línea, tienen un ritmo predefinido, como una tarea semanal. Intente seguir ese programa y, si realmente desea hacer más, intente seguir adelante una vez que esté seguro de haber comprendido los conceptos anteriores.