Los fundamentos de la programación y los algoritmos también son importantes junto con los conceptos básicos de matemáticas para aprender el aprendizaje automático. Matemáticas tomará alrededor de 1 mes para completar. Los conceptos principales están en Cálculo, Estadística, Probabilidad, Álgebra.
es fácil de aprender de los cursos en línea … Le sugeriré los mejores cursos en línea de Matemáticas …
Conceptos básicos de matemáticas; –
- Al aprender matemáticas o física, ¿debería uno comenzar con la motivación antes de los detalles de las matemáticas?
- ¿Cuál es el lenguaje más difícil que se puede aprender o incluso estudiar?
- ¿Por qué quieres aprender chino?
- Cómo empezar a aprender EDM
- Si alguien sin experiencia en codificación fuera a aprender un idioma, ¿qué crees que sería lo más provechoso para él / ella para aprender?
- Perfecciona tus Fundamentos Matemáticos
- Matemáticas 101: Construyendo una base sólida
Los mejores cursos de cálculo en línea
- Conviértete en un maestro de cálculo 1
- Conviértete en un maestro de cálculo 2
- Conviértete en un Maestro de Cálculo 3
Mejores Probabilidad y Estadística de Cursos en línea
- Taller de Probabilidad y Estadística.
Los mejores cursos de algebra en linea
- Conviértete en un maestro de álgebra
- Álgebra 1, 2 y 3 – Curso de nivel intermedio y universitario
- Álgebra lineal para principiantes: puertas abiertas a grandes carreras
Los mejores cursos en línea de aprendizaje automático:
- Aprendizaje automático AZ ™: práctica en Python & R en Data Science
- Bootcamp de ciencia de datos y aprendizaje automático con R
- Aprendizaje automático para la ciencia de datos
Elige el primer curso ..
de este curso puedes aprender sobre:
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
y también….
- 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.
Cursos adicionales en línea:
- De principiante a avanzado: aprendizaje automático y redes neuronales.
- Python para Data Science y Machine Learning Bootcamp
TODO LO MEJOR…