¿Dónde aprendo Machine Learning?

Answer 1

Para aprender el aprendizaje automático, debes 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 2

Gracias por A2A.

Comencemos con lo que Sundar Pichai tiene que decir sobre @Machine Learning:

“El aprendizaje automático es una forma fundamental y transformadora mediante la cual estamos reconsiderando todo lo que estamos haciendo”, dijo Pichai. ‘Lo estamos aplicando cuidadosamente en todos nuestros productos, ya sea búsqueda, anuncios, YouTube o Play. Estamos en los primeros días, pero nos verá de una manera sistemática pensar cómo podemos aplicar el aprendizaje automático en todas estas áreas “. [1]

1. Para principiantes, comience a dedicar su tiempo al aprendizaje automático en @Coursera by @Andrew Ng. Aunque hay muchos otros videos disponibles en Internet, uno debe comenzar con sus videos. Una vez que sepa lo básico, estará listo para la dura batalla del mundo exterior.
2. Ensuciarse con los problemas de @HackerRank AI. Eso le ayudará a visualizar los problemas desde la perspectiva de un experto en aprendizaje automático.
3. Los expertos en aprendizaje automático piensan más como humanos, mientras que otros programadores piensan más como compiladores.
4. Regístrese en kdnuggets y lea los artículos regularmente.
5. Libros: el libro de Mitchell sobre ML y el libro de Christopher M Bishop sobre patrones reconocidos y ML.

NOTA: No hay tiempo para conocer un tema. En mi opinión, a menos que puedas enseñarle ese tema a alguien, sigues aprendiendo ese tema.

[1] Debe leer libros para principiantes sobre aprendizaje automático e inteligencia artificial

El enlace te ayudará a descargar la versión en pdf de los libros también.

¡Espero que esto ayude!

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

Afortunadamente, la cantidad de recursos de aprendizaje automático y tutoriales en línea se ha disparado, haciendo que sea más fácil que nunca sumergirse en el tema. Sin embargo, esta explosión en la información de aprendizaje automático es una espada de doble filo. Puede ser increíblemente difícil determinar qué recursos son más útiles y le brindará una comprensión real (no solo superficial) de la teoría y las matemáticas detrás del aprendizaje automático, así como la capacidad de codificar e implementar los algoritmos de aprendizaje automático adecuados a sus necesidades .

La forma más fácil de sumergirse realmente en el aprendizaje automático y comprometerse a comprender el tema es inscribirse en una clase en línea. Mi favorito personal es Machine Learning Foundations on Experfy.

Impartido por Peter Chen, quien estudió en MIT y Harvard y tiene años de experiencia en el aprendizaje automático en la industria, el curso cubre aplicaciones prácticas de algoritmos de aprendizaje automático para resolver problemas del mundo real.

Mientras tengas una comprensión (muy) básica de Python y R, estás listo para tomar el curso. Aprenderá cuándo aplicar el algoritmo correcto, podrá comprender y explicar las matemáticas de los algoritmos subyacentes, evaluar la efectividad de su modelo. Lo más importante es que entenderá cómo manipular y mejorar sus modelos para obtener los mejores resultados posibles, una habilidad que será invaluable cuando se ensucie las manos con el aprendizaje automático.

Answer 5

Mejor aprender en línea. Hay varios cursos en línea, le sugeriré los mejores cursos en línea de aprendizaje automático.

Aprendizaje automático AZ ™: práctica en 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.

Cursos relevantes

1. Python para Data Science y Machine Learning Bootcamp

2. principiante a avanzado – aprendizaje automático y redes neuronales

Todo lo mejor

Answer 6

Estos son algunos de los recursos para aprender ML. Para los principiantes, recomendaría ML by Andrew Ng en Coursera.

• Libro de texto de Aprendizaje Automático – Un libro imprescindible para ML
• Aprendizaje automático – Universidad de Stanford | Coursera
• Aprendizaje Automático | Coursera
• Redes neuronales para el aprendizaje automático – Universidad de Toronto | Coursera
• Aprendiendo de los datos – Curso en línea (MOOC)
• ClipMine – Aprendizaje automático
• Resuelve problemas en Kaggle para aplicar los conocimientos adquiridos. Esto le ayudará a construir la confianza y para una mejor comprensión de los conceptos. Su hogar para la ciencia de datos
• Lea algunos artículos de investigación relacionados con el ML (Esto es para aquellos que desean profundizar en el ML y quieren aprender y entender los avances recientes en el ML y campos relacionados).

Answer 7

Hay muchos recursos por ahí. Yo sugeriría comenzar con las matemáticas, ya que es necesario entender adecuadamente los algoritmos y sus limitaciones. El cálculo, el álgebra lineal, las estadísticas y la teoría de la probabilidad son un buen lugar para comenzar.

Una vez que tenga experiencia en matemáticas, sugeriría comenzar con una descripción general de alto nivel ( https://www.slideshare.net/Colle … luego, pasar a los detalles de cada algoritmo. Hay muchos documentos, cursos, y libros (Elementos del aprendizaje estadístico) que pueden ser útiles en ese momento. Muchos vienen con ejemplos en Python o R, donde puedes jugar con los algoritmos de datos.

Personalmente, trato de leer los artículos de matemáticas sobre el desarrollo de un nuevo algoritmo o un nuevo enfoque (ArXiv y Google Scholar son buenos), luego lo pruebo en datos de simulación en R antes de pasar a aplicarlos en datos del mundo real.

Answer 8

Hay una excelente “ruta de aprendizaje para el aprendizaje automático” escrita por Analytics Vidhya. Solo te daré los extractos:

• Hacer una revisión de la programación básica.
• Ir a través de estadísticas descriptivas e inferenciales.
• Comprender el flujo de datos (por ejemplo, limpieza de datos, exploración, etc.)
• Obtenga un sabor de ML desde conceptos básicos hasta conceptos avanzados.
• Participa en competencias de conocimiento / Hackathons ML.
• ¡Explora ML en profundidad y usa tus habilidades para construir algo útil para la humanidad!

Answer 9

Hay muchas cosas que puedes hacer para aprender sobre el aprendizaje automático.

Hay recursos como libros y cursos que puede seguir, concursos que puede participar y herramientas que puede usar.

Lea más tutoriales en línea sobre aprendizaje automático.

Mira a continuación los videos para saber más sobre Machine Learning

La demostración de Mircrosoft para explicar el uso del aprendizaje automático en la atención médica

Sundar Pichai habla sobre Machine Learning

Explore el aprendizaje automático utilizando los experimentos de inteligencia artificial de Google (p. Ej., Quick Draw)

Construyendo una Batería mejor con Aprendizaje Automático. No más pilas quemadas?

Answer 10

AFT Hay numerosas fuentes y esa es posiblemente la fuente de confusión también. Uno puede comenzar con Andrew Ng y luego cubrir los temas uno por uno. Este es un problema multidimensional y, por lo tanto, requiere aprender en varios campos (ciencia de datos, ANN, estadísticas, ciencia básica de la competencia y una idea de cómo funciona la BNN no va a doler) y desarrollar la intuición para correlacionarla.

Para mí, saber dónde se ubica el LD fue muy importante y, por lo tanto, este recurso, Perspectivas pragmáticas, fue útil. Espero que sea de utilidad para algunas personas más.

Answer 11

Hola manoj

Puede aprender Aprendizaje automático mediante TACT Learn, ya que será una capacitación en línea e interactiva en línea, ya que será más flexible y no le costará más.

Características clave de la formación:

· Programa de entrenamiento dirigido por un instructor en vivo que utiliza el aula virtual en línea GoToTraining.

· Acceso de por vida a LMS (Sistema de Gestión de Aprendizaje).

· Experiencia práctica en el uso de Hadoop y Big Data mediante la realización de proyectos estándar de la industria durante la capacitación.

· Certificación global reconocida por TACT .

Para saber más, puede comunicarse conmigo a [email protected] o al [phone] (EE. UU.).

Answer 12

En la era actual, la tecnología está cambiando rápidamente día a día, todos usan computadoras / computadoras portátiles y teléfonos inteligentes para comunicarse entre sí. Estas tecnologías han encontrado la necesidad de los humanos. Ahora podemos comunicarnos y enviar mensajes de texto a cualquier persona que se encuentre lejos de nosotros con la ayuda de la Tecnología actualizada. Al igual que nuestros padres nos guían, cómo caminar, cómo comer, hacemos lo mismo que ellos nos guían. El científico utiliza este concepto con la máquina. Como enseñan a la máquina a trabajar en un área específica, la máquina hace lo mismo. En ese momento, el lenguaje de programación ayuda a explicar y aprender esas cosas, se llama Aprendizaje automático.

Webtunix es una empresa con certificación ISO que ofrece capacitación de aprendizaje automático en Chandigarh en inteligencia artificial y redes neuronales. Por lo tanto, el aprendizaje automático es una parte de la red neuronal.

Answer 13

¡Aquí hay un curso completo donde aprenderás haciendo! Entonces, comencemos con Machine Learning en poco tiempo aprendiendo algoritmos ML e implementándolo en 5 proyectos reales en vivo.

• Clustering del mercado de valores
• Tumores malignos de cáncer de mama
• Detección de la aparición de diabetes
• Detección de fraude de tarjeta de crédito
• Predicción de reseñas de juegos de mesa

Atrás en Kickstarter y empieza hoy!

Answer 14

1. Tutoriales de programación de Python (Códigos de Python ML fáciles de entender)

2. Tutoriales de scikit-learn (Acerca de la biblioteca de Python ML)

3. Coursera’s ML Course por Andrew Ng (para estudios en profundidad y matemáticas relacionadas con temas)

4. Siraj Raval (ML puede ser divertido)

5. Puede referirse a libros de teoría relacionados con estos temas.

6. Entrenamiento de Python | Python para la ciencia de datos | Aprender Python

Answer 15

Hay algunos lenguajes de programación, conceptos y técnicas que uno tiene que aprender para aprender Aprendizaje automático. Estas son las habilidades:

Buen conocimiento de las matemáticas y la estadística.

Buenas habilidades de programación usando R, Python, Hadoop, C ++ etc.

Algoritmos como: NLP, LSTM, Deep Belief Nets etc.

Grandes habilidades de resolución de problemas y aptitud analítica.

Answer 16

Si se encuentra en Bangalore, únase a nuestros cursos en vivo en ML, AI y Deep Learning at Home – Edu2Code.com, de Stanford CS Prof Tom Binford y su equipo experimentado y sólido en esas áreas. En línea hay muchos buenos cursos de Coursera, Udacity, MIT y Stanford.

Answer 17

Hola,

Por ahora hay muchas instituciones que están en línea y fuera de línea. Como Ingeniero en Aprendizaje Automático, sugiero completar el curso que institución proporciona práctica de ML. Aprendo ML de una institución llamada bepec, que es una capacitación en línea. Y también trato de verificar la udacidad y el aprendizaje simple. Como sé, Bepec proporciona lo mismo que otros. Para elegir instituciones, la capacitación no es básica.

Hay algunas cosas que la institución debe proporcionar: la práctica del LD y las pautas y las preguntas de la entrevista, y lo mejor es que la institución debe respaldarla hasta que obtenga un empleo. Una institución con estas cualidades puede ayudarnos a construir nuestro futuro. Una buena institución le da un buen conocimiento. No comprometa una pequeña cosa al seleccionar la institución.

Puede ser este enlace ayuda para aprender ML: BEPEC | ¿Por qué la ciencia de datos? Bengaluru

Answer 18

Escoja un libro, cualquier libro de eBooks de TI gratis Descargue con fines educativos y obtenga información sobre el tema.

Answer 19

Prueba el aprendizaje automático | Coursera .. es un curso en línea por Andrew Ng de la universidad de Stanford.