Cómo aprender el aprendizaje automático cuando mis matemáticas están muy oxidadas.

Answer 1

Nunca es tarde para empezar. Todo lo que necesita es poca dedicación y mucha práctica para mejorar sus habilidades matemáticas.

Para tener una idea de las matemáticas detrás de Machine Learning, debe sentirse cómodo con el álgebra vectorial, el cálculo, la probabilidad, el álgebra lineal, la optimización y las estadísticas. Hay muchos cursos de actualización en línea disponibles. Comience con la academia Khan para aprender lo básico y luego vaya a Coursera o Udacity o Edx.

Una vez que crea que está bastante cómodo con los temas mencionados anteriormente, puede comenzar el curso de Aprendizaje automático de Andrew Ng, que puede ser un buen punto de partida para comprender la perspectiva más amplia de ML. No es intensivo en matemáticas, pero ofrece una visión general de las aplicaciones de ML. Luego puede retomar el aprendizaje de Abu-Mostafa a partir de datos que se sumergirán un poco en las matemáticas.

La clave para ganar confianza es la práctica y la paciencia. Incluso si te sientes frustrado al principio, trata de superar eso. Te volverás mejor en matemáticas gradualmente.

Todo lo mejor.

Answer 2

Ahora tienes un propósito. Recuerdo que cuando estudiaba en la India, yo pensaba por qué diablos nos están enseñando matemáticas, nunca lo usaré. Nunca traté de aprender la intuición detrás de pendientes, gradientes y vectores hasta que me enamoré del aprendizaje automático. Te vi videos de tubo mientras aprendía aprendizaje automático. Lo más importante es tratar de visualizar las cosas, tratar de entender la intuición detrás de las cosas. Nada es difícil cuando tienes un objetivo claro en mente. Comience a tomar clases de álgebra elemental, MIT tiene un curso abierto increíble sobre álgebra lineal, puede intentarlo. empezar a aprender ML y aprender matemáticas al lado. Será más fácil aprender conceptos cuando sepa dónde va a utilizar esos conceptos.

Answer 3

Básicamente el aprendizaje a máquina necesita matemáticas de fondo.

1. Cálculo
2. Probabilidad
3. Estadística
4. Álgebra lineal

Necesitas perfeccionar en estas áreas de matemáticas. Necesita algo de experiencia en programación como R Programación o Python.

Entonces puedes aprender Machine Learning.

Te sugeriré el mejor curso de aprendizaje automático en línea.

==> Machine Learning AZ ™: Hands-On Python & R en Data Science

Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos 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.

Otro mejor curso

==> Machine Learning de la Universidad de Stanford, Mentor: Andrew Ng, cofundador, Coursera

Este curso proporciona una amplia introducción al aprendizaje automático, el análisis de datos y el reconocimiento de patrones estadísticos.

Los temas incluyen:

(i) Aprendizaje supervisado (algoritmos paramétricos / no paramétricos, máquinas de vectores de soporte, núcleos, redes neuronales).

(ii) Aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad, sistemas de recomendación, aprendizaje profundo).

(iii) Mejores prácticas en aprendizaje automático (teoría de sesgo / varianza; proceso de innovación en aprendizaje automático y IA).

El curso también se basará en numerosos estudios de casos y aplicaciones, de modo que también aprenderá a aplicar algoritmos de aprendizaje para construir robots inteligentes (percepción, control), comprensión de texto (búsqueda web, antispam), visión artificial, informática , audio, minería de bases de datos, y otras áreas.

Todo lo mejor .

Answer 4

Como he explicado en otra respuesta [respuesta de Prasoon Goyal a ¿Cómo aprendo el aprendizaje automático?], Estos son algunos de los temas de matemáticas que debe conocer para ML:

– Probabilidades y estadísticas
– Álgebra lineal
– Optimización
– Cálculo multivariable
– Análisis funcional (no esencial).
– Lógica de primer orden (no esencial).

Puede encontrar material razonable en la mayoría de estos buscando ” notas de lectura ” en Google. Por lo general, encontrará buenas notas de clase compiladas por algún profesor que enseña ese curso. Los primeros resultados deben darle un buen conjunto para elegir.
Hojea estos. No es necesario que los revises con mucho detalle. Puede volver a estudiar las matemáticas cuando sea necesario mientras aprende ML.

Answer 5

¿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 6

No hay un atajo para aprender algo tan complejo e interdisciplinario como el aprendizaje automático.

• Regresa y aprende cálculo, estadística y álgebra lineal.
• Familiarícese con la ciencia de los datos con python o matlab.
• Aprender sobre métodos bayesianos de aprendizaje automático.
• Tome cursos en línea en AI de Udacity o Coursera
• Comience a utilizar abstracciones de alto nivel de bibliotecas de aprendizaje profundo como Keras y tflearn.
• Aprender Tensorflow o Theano

Answer 7

Tienes razón. Las matemáticas detrás del Aprendizaje automático son realmente difíciles cuando se pasa a algunos algoritmos avanzados, y hay que entender cada parte del mismo. Además, debes saber muchísima teoría antes de sumergirte en las cosas prácticas.

Hay tres requisitos previos importantes que se requieren para entender los algoritmos.

1. Probabilidad
2. Estadística
3. Álgebra lineal

Por lo tanto, debe crear sus componentes básicos antes de avanzar en los conceptos de Aprendizaje automático, pero puede hacer fácilmente algunos algoritmos básicos sin eso.

Creo que debería comenzar directamente a aprender Aprendizaje automático y, cuando sienta la necesidad de conceptos matemáticos, hágalos en paralelo.

Answer 8

No era bueno con las matemáticas, pero a pesar de eso decidí ir con el aprendizaje automático porque era algo que me parecía interesante. A pesar de que solo soy un principiante con ML, lo encuentro muy intrigante. Si tienes pasión sobresaldrás sin importar lo que pase.
Comienza con el curso de Andrew Ng en Coursera que te enseñará lo básico y estoy seguro de que te encantará.