¿Puedo comenzar a aprender el aprendizaje automático y el aprendizaje profundo sin antes actualizar mis conocimientos de matemáticas?

Answer 1

En primer lugar, quiero convencerlo de que no puede comenzar y hacer grandes progresos en el aprendizaje automático y en el aprendizaje profundo sin ser fuerte en matemáticas. Este puede ser el camino del técnico desde el principiante hasta el intermedio que está aprendiendo las matemáticas necesarias para una técnica, justo a tiempo.

Los antecedentes en matemáticas te llevarán a comprender cómo funciona realmente esa técnica y qué está haciendo. Puede dibujar imágenes del flujo de datos y las transformaciones, pero eventualmente, necesitará internalizar el vector o las transformaciones que están ocurriendo.

Aprendizaje de las matemáticas en función del nivel e interés del individuo. La investigación en fórmulas matemáticas y el avance teórico del aprendizaje automático están en marcha y algunos investigadores están trabajando en técnicas más avanzadas.

Los temas de matemáticas importantes que se necesitan para el aprendizaje profundo y el aprendizaje automático son:

1. algebra

2. probabilidad

3. estadísticas

4.calculo

Hay muchas otras cosas que puede saber sobre este profundo aprendizaje. En primer lugar, puede ingresar a algunos cursos en línea que lo ayudan a guiar el aprendizaje profundo. Es bueno para la comprensión básica de algunos de los conceptos fundamentales básicos.

Te sugeriré los mejores cursos en línea que te ayudarán a:

· Deep Learning AZ ™: redes neuronales artificiales prácticas

De este curso puedes aprender sobre:

· Entender la intuición detrás de las redes neuronales artificiales.

· Aplicar redes neuronales artificiales en la práctica.

· Entender la intuición detrás de las redes neuronales de convolución

· Aplicar las redes neuronales de convolución en la práctica.

· Comprender la intuición detrás de las redes neuronales recurrentes

· Aplicar redes neuronales recurrentes en la práctica.

· Entender la intuición detrás de los mapas autoorganizados

· Aplicar mapas auto-organizativos en la práctica.

· Entender la intuición detrás de las máquinas de Boltzmann

· Aplicar las máquinas de Boltzmann en la práctica.

· Entender la intuición detrás de Auto Encoders

· Aplicar Auto Encoders en la práctica.

En este curso resolveremos seis desafíos del mundo real:

· Redes neuronales artificiales para resolver un problema de abandono de clientes

· Redes neuronales de convolución para el reconocimiento de imágenes.

· Redes neuronales recurrentes para predecir los precios de las acciones.

· Mapas autoorganizados para investigar el fraude.

· Máquinas Boltzmann para crear un sistema de recomendación.

· Codificadores automáticos apilados * para enfrentar el desafío del premio Netflix de $ 1 millón

Hay muchos otros cursos en línea que vas a tomar después de que este se menciona a continuación:

Cursos adicionales:

· Procesamiento de lenguaje natural con aprendizaje profundo en Python

· Zero to Deep Learning ™ con Python y Keras

De estos cursos puedes aprender;

Brevemente sobre el aprendizaje profundo y las técnicas de aprendizaje automático junto con los recursos matemáticos y adquiera práctica implementándolos y haciendo que funcionen por sí mismos. Puedes construir una intuición empírica de qué métodos usarlos. También puedes aprender suficiente álgebra para poder leer las descripciones de algoritmos y convertirlas en código.

Puedes aprender tan poco o tanto las matemáticas como quieras, justo a tiempo. Concéntrese en sus fortalezas y sea honesto acerca de sus limitaciones.

También puede tomar la referencia de algunos libros de texto:

Libros sugeridos (solo con fines de referencia):

· Deep Learning (Adaptive Computation y Machine Learning series) por Ian Goodfellow & Yoshua Bengio & Aaron Courville

· Aprendizaje profundo: el enfoque de un practicante por Josh Patterson y Adam Gibson

Python Machine Learning: Machine Learning y Deep Learning con Python,

TODO LO MEJOR………..

Answer 2

Tengo algunas buenas y malas noticias para ti.

• Malas noticias, no llegarás lejos en el campo del LD sin aprender matemáticas.
• Buenas noticias, no necesita primero aprender matemáticas y luego aplicar ML. Puedes hacer estas cosas en paralelo.

Te recomiendo aprender matemáticas desde una perspectiva de herramientas. Recomiendo la siguiente estrategia simple.

1. Comienza a trabajar en tu proyecto de ML. Esto puede ser implementación o lectura en papel.
2. Trate de entender las matemáticas consultando material adicional. Ahora muchas personas se quedan estancadas aquí porque no avanzan hasta que entienden todo por completo. No cometas el mismo error. Leer y releer. Entenderás el material en lecturas posteriores.

Aquí hay algo de material para ayudarlo a mejorar en matemáticas para el Aprendizaje Profundo. Esto se aplica también al aprendizaje automático en general.

Diseño de modelos, y comprensión

Los modelos DL consumen datos y mezclan señales aplicando varias transformaciones de Matriz y Vector. Por ejemplo, una aplicación de capa densa es una multiplicación de Matrix-Vector. Para comprender e implementar rápidamente estos modelos, debe sentirse muy cómodo con la implementación de operaciones matemáticas utilizando las transformaciones de Matrix. Por ejemplo, mire este documento y cómo están jugando con matrices y matematicas vectoriales: Atención jerárquica para clasificaciones de documentos.

Entonces, el álgebra lineal básica es muy importante aquí. Partes de este curso del MIT serán de gran ayuda.

Ciencias de la computación e ingeniería I

También lea la primera parte del libro de Aprendizaje Profundo.

http://www.deeplearningbook.org/…

Esto le dará suficiente experiencia con la lectura de ecuaciones con matrices y también introducirá algunos conceptos importantes.

Entrenamiento modelo

Las redes neuronales son complejas composiciones de funciones. El método más popular para entrenarlos es usar el descenso de gradiente estocástico. Este método requiere un derivado de la función de pérdida y los parámetros del modelo. Para comprender Gradient Descent para redes neuronales, debe comprender el algoritmo de propagación hacia atrás.

Cálculo en gráficos computacionales: Backpropagation

Al mismo tiempo, los parámetros del modelo deben inicializarse correctamente para que los degradados no se desvanezcan ni exploten. Esto asegura el correcto aprendizaje del modelo. Los temas requeridos para comprender la optimización de la red neuronal tienen un rango muy amplio. El contenido del curso MIT y el libro Deep Learning ayudarán. Además, lea lo siguiente del libro Deep Learning.

Regularización

Mejoramiento

Cuando leo artículos sobre nuevas funciones de activación y técnicas para entrenar el modelo, me encuentro regularmente con las matemáticas relacionadas con:

• Estadística
• Propiedad de matrices como valores propios, vectores propios, acondicionamiento, etc.
• Teoría de probabilidad
• Cálculo integral
• Teoría en torno a propiedades de función como puntos estables, puntos fijos.

Mi consejo aquí es simple

1. Leer resumen y conclusión de trabajos. Comprender si hace algo útil.
2. Luego lee los detalles y trata de entender las matemáticas.
3. Rellene los huecos leyendo material adicional.

Por ejemplo, estoy leyendo [1706.02515] Redes Neuronales auto-normalizadas en este momento y tiene bastantes cálculos para los cuales tuve que consultar otro material.

Answer 3

¿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 4

Hay una variedad de recursos en línea. Ya que no da una indicación de su familiaridad, nivel de habilidad o detalles sobre lo que quiere construir. Voy a proporcionar algunos enlaces que me parecieron útiles.

Haciendo ciencia de datos: Un tutorial de Kaggle Parte 1 – Introducción

Cómo implementar métricas de rendimiento de algoritmo de aprendizaje automático desde cero con Python

Cómo convertirse en un científico de datos – por su cuenta

El primero, Kaggle ofrece tutoriales, concursos, experiencia práctica y una gran cantidad de otros recursos. El segundo es un “Cómo”, que utiliza una plataforma y un idioma específicos. La tercera es para el bricolaje, autodidacta y hacer que suceda. Los dos últimos son enlaces a Data Science Central.

Hay mucho mas No, puedes repasar la habilidad matemática específica a medida que exploras y decidir qué es lo que vas a hacer.

No se puede negar que un título en matemáticas aplicadas no duela.

Answer 5

La respuesta simple será no . Esto se debe a que, en el aprendizaje automático, la mayoría de las veces aplica un conjunto de ecuaciones ya disponibles en los tutoriales, etc. Lo que significa que memorizarlas o aplicarlas es suficiente para lograr su objetivo.

Sin embargo, tener una base matemática lo ayudará a comprender cómo se derivaron esas ecuaciones, lo que a su vez le ayudará a optimizar sus modelos a medida que avanza.

La buena noticia es que puedes comenzar a aprender ML sin un sólido conocimiento de matemáticas. Eventualmente aprenderá acerca de las ecuaciones y sus aplicaciones. Luego comenzarás a entender la lógica detrás de cada ecuación / modelo.

Answer 6

Sí puedes, si seleccionas el curso correcto para ti. Puede tomar el curso a continuación que necesita las matemáticas básicas como requisito previo.

¿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

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 7

Odio ser el que te lo explique, pero si realmente quieres entender estos campos, debes tener una sólida formación en matemáticas. Es posible que pueda seguir algunos códigos en los tutoriales para el aprendizaje automático y el aprendizaje profundo, pero es probable que no entienda por qué funciona y tendrá problemas para construir algo por su cuenta. Tratar de aprender el aprendizaje automático y el aprendizaje profundo sin ningún conocimiento matemático relevante es muy parecido a tratar de crear su propio sitio web sin experiencia en desarrollo web. Claro que puede obtener algunas plantillas y adaptar la mayoría del contenido por su cuenta, pero lo hará. Nunca podrás realmente hacer tu propio sitio web único.

Desafortunadamente, cuando se trata de comprender realmente el aprendizaje automático y el aprendizaje profundo, no hay atajos reales. Tienes que asegurarte de entender las matemáticas. Le recomendaría que dedique algún tiempo a construir una base sobre esos temas antes de intentar ingresar al aprendizaje automático. Después de todo, nadie intenta construir una casa sin cimientos.

Answer 8

Considere los siguientes clasificadores simples:

• Clasificador ingenuo de Baye: necesitas conocer la teoría de la probabilidad,
• Árboles de decisión: es necesario comprender la ganancia de información, la entropía, etc.
• Regresión logística: necesita conocer estadísticas, análisis de regresión

Los clasificadores más complejos, como SVM, los métodos Boosted Ensemble, los métodos de Aprendizaje Profundo requieren un conocimiento más avanzado en matemáticas. Si uno no puede entender los métodos básicos, es difícil llegar muy lejos.

Otras lecturas

La respuesta de Shehroz Khan a ¿Cómo aprendo el aprendizaje automático?

Answer 9

¡Bueno! Una gran cantidad de ingenieros expertos en aprendizaje automático y científicos de datos le dirán que su nivel de matemáticas no importa. En una estimación aproximada, el 60% de eso es cierto. ¿Por qué?

Si bien muchos ingenieros de ML están utilizando el algoritmo y las herramientas ya hechas, solo unos pocos entendieron qué y qué hay detrás de dicho algoritmo. Entre esos pocos son los investigadores de los que no has oído hablar. Trabajan incansablemente para hacer que algunos algoritmos DL / ML funcionen bien y no consuman muchos recursos.

Así que mi respuesta es la siguiente. Si está seleccionando ML para su tarea como ingeniero, entonces no necesita mucho si las matemáticas. Pero si estás ahondando en investigación o académicos en ML. Te gustaría aprender algunas matemáticas avanzadas relacionadas con lo que estás trabajando.

Actualmente estoy investigando sobre agrupamiento de conjuntos difusos. Definitivamente, mi poco conocimiento sobre el Álgebra Lineal no puede ayudarme en este caso. Así que espero que tengas la esencia.

Answer 10

Perdón por las malas noticias: no necesita conocimientos avanzados de matemáticas, pero necesitará dedicar algo de tiempo al Álgebra Lineal, Estadísticas y Cálculo en una extensión menor. Como mínimo a) mire los vectores y las matrices antes de abrir un libro ML b) mire los conceptos básicos de las estadísticas.

La mayor parte de la actividad intelectual de aprendizaje automático consiste en transformar varios datos de entrada, datos, imágenes, sonido, documentos, etc. en una colección de valores para poder calcularlos, aprovechando los teoremas matemáticos y estadísticos. Los cálculos se implementan en algoritmos. Si no entiendes el razonamiento, no entenderás los algoritmos. Y no podrás aprenderlos y usarlos.

Verifique el “Refresco de álgebra” en el MOOC de Andrew Ng Coursera, que le dará una idea del alcance. Luego Khan Academy o los cursos de introducción gratuitos en Udacity …

Answer 11

No irás muy lejos sin los cálculos, pero puedes repasarlo a medida que avanzas. El cálculo y el álgebra lineal son áreas con las que se encontrará una y otra vez en el aprendizaje automático y en el aprendizaje profundo. Yo sugeriría aprender el aprendizaje automático / las redes neuronales antes de abordar el aprendizaje profundo, independientemente de su formación en matemáticas.

Este es un buen punto de partida con respecto a los algoritmos que también tienen enlaces a las matemáticas de su desarrollo: https://www.slideshare.net/Colle …

Answer 12

Aquí hay un motor de ML que no requerirá que tengas conocimientos de Cálculo, Álgebra Lineal y Estadística o que tengas otros antecedentes matemáticos avanzados: la Máquina de Aprendizaje de Ryskamp (RLM). Para obtener más información, también puede consultar esta descripción técnica general de RLM.

Si está interesado, puede descargar el código fuente que está alojado en Github o puede obtener RLM a través de Nuget.

Answer 13

¿Te das cuenta de que la “teoría” es principalmente matemática? Puede intentar entrar en él, pero pronto descubrirá que sin una formación matemática decente, se frustrará con el material o no sabrá cómo elegir los algoritmos correctos, cómo implementarlos o cómo evaluarlos. los resultados que obtienes Si está tratando de resolver un problema específico, podría tratar de abordarlo y repasar las matemáticas a medida que las encuentre, pero de una forma u otra no podrá escapar de las matemáticas cuando realice el aprendizaje automático.

Answer 14

No, te aconsejaría estrictamente en contra. Sentirías que estás entendiendo los algoritmos, pero lo que realmente estás aprendiendo es lo superficial o la capa superior de ML. Para entrar en las ideas se requiere un fondo matemático.

Además, casi todos quieren entrar en el ML y la IA en estos días. Entonces, para diferenciarte de la multitud, necesitas tener un fuerte control sobre las matemáticas involucradas en el ML.

Intenta seguir esto y creo que estarías en el buen camino. 🙂

Answer 15

Respuesta corta porque estoy en mi teléfono móvil: probablemente no te dolerá, pero podrías escapar sin él. Mientras recuerde la definición de la derivada para el decente gradual, estará bien.

El aprendizaje automático, no como en la mayoría de las demás cosas, se puede hacer con las ecuaciones simplificadas y sin cálculos que otra persona ya obtuvo. Piensa tomando la densidad de una vara. PODRÍA integrar una serie de carcasas desde el núcleo de la varilla, teniendo en cuenta la densidad variable en una dirección radial, o bien, podría multiplicar la masa por la densidad promedio. Las ecuaciones más fáciles pueden no ser exactas, pero son lo suficientemente cercanas

Answer 16

Sí … ya que ya ha tocado una vez antes, le sugeriría que siga este enlace para que pueda aprender Matemáticas con los requisitos previos necesarios para aprender Aprendizaje automático en forma paso a paso. ¡¡Buena suerte!!

Answer 17

Para comprender y popularizar el aprendizaje automático y el aprendizaje profundo, uno puede aprender ML y DL sin una formación avanzada en matemáticas.

Hello World – Machine Learning Recipes # 1 y sus siguientes videos son geniales para entrar en el emocionante campo de ML y DL.

Para aplicar ML o DL, uno necesita un buen conocimiento de algunos (no todos) aspectos de las matemáticas.

Answer 18

Eso está bien, la experimentación rápida se ha hecho bastante fácil con herramientas como Keras.

Sin embargo, sin las matemáticas, está limitado a aprender qué código escribir para que algo suceda. Si realmente desea aprender el aprendizaje automático o el aprendizaje profundo, entonces las matemáticas no pueden pasarse por alto.

Descubrirá que si comienza a profundizar en él, desarrollará las habilidades matemáticas necesarias al tratar de comprender los algoritmos.

Answer 19

Somos profesionales de carrera que ofrecen cursos en línea de Aprendizaje automático y Aprendizaje profundo … Puede visitar nuestra página: http://www.teclov.com . Los profesores de IIT’ian y MIT’ian están disponibles para la enseñanza y también están teniendo lugar grandes ofertas. Deben visitarlo una vez. Puedo asegurar que los temas de aprendizaje profundo básico y avanzado se cubrirán con escenarios en tiempo real.

Answer 20

Yo no diría eso.

Es posible que desee hojear mi libro preferido sobre el tema, el libro Aprendizaje profundo. Allí puede encontrar los principios matemáticos básicos que necesitaría para mantenerse a la par del asunto.