Todavía siento que los MOOC no ofrecen un tratamiento exhaustivo / riguroso de cursos como ML, que generalmente se imparten como parte de los cursos avanzados de pregrado o posgrado en la mayoría de las universidades.
Afortunadamente para usted, muchas universidades han hecho que sus cursos sean de acceso abierto para que los que aprenden por sí mismos puedan auditar cursos de manera extraoficial. Obtiene acceso gratuito a todo el material del curso, incluidos los conjuntos de problemas, videos de conferencias, etc. Lo que no obtiene es un grupo de pares inteligentes, horas de oficina con instructores y técnicos de asistencia técnica y la sensación de que está compitiendo con alguien. Dicho todo lo siguiente, los siguientes son cursos de acceso abierto que brindan un tratamiento matemático más riguroso de ML, personalmente he “auditado”, algunos de ellos definitivamente se han beneficiado de ellos más de lo que puedo de cualquier MOOC (sin ofender a los usuarios de MOOC).
- Aprendizaje automático 10–601 CMU impartido por Tom Mitchell y Nina Balcan. Esto da un tratamiento más probabilístico de ML. Es un curso introductorio muy bueno. Actualmente estoy pasando por esto. Debe ver todas las conferencias según el programa y luego resolver los conjuntos de problemas también.
- Aprendizaje automático (Información del curso) – CS 229 Stanford impartido por Andrew Ng. Esta es la versión “sin agua” del curso de ML impartido en Coursera. Audité esto y puedo decirles que las notas de clase y los conjuntos de problemas son más desafiantes y matemáticamente rigurosos. Prepárese para sacar su pluma y papel para obtener pruebas de páginas largas.
- Aprendizaje automático: 10–701 CMU impartido por Tom Mitchell. Este curso de ML está dirigido a estudiantes de doctorado y ofrece un tratamiento aún más teórico y riguroso de ML. No he tomado esto, está en mi lista de tareas pendientes sin embargo. Hay diferentes versiones de esto enseñadas por diferentes instructores, una por Alex Smola también.
- Redes neuronales por Hugo Larochelle impartido en la Universidad De Sherbrooke. Un curso introductorio sobre redes neuronales actualmente populares. Una vez más, esto está en mi lista de tareas pendientes. Excelentes notas de lectura y conjuntos de notas, y el instructor Hugo también está activo en los grupos de Google para resolver dudas. Qué más puedes pedir.
- CSC321 Invierno 2015: Introducción a las redes neuronales impartida por Roger Grosse y Nitish Srivastava en la Universidad de Toronto. Las notas de clase y los conjuntos de P son realmente atractivos . Puedes descargar los videos coursera de Geoff Hinton para este curso.
Los cursos mencionados anteriormente son de acceso abierto con todo el material del curso requerido como videos de conferencias, p-sets disponibles gratuitamente . Lo ideal es que sigas el programa que se indica en los cursos y que al final comprendas mejor el LD. El curso de Caltech por Yaser Abu Mustafa ya se ha mencionado por cierto. También puede beneficiarse comprando un libro de texto de nivel inicial para principiantes como PRML por Chris Bishop ( tengo una copia) y repase los capítulos y resuelva los ejercicios al final (entienda que serían difíciles y matemáticamente rigurosos, de lo contrario ).
Buena suerte, compañero de autoaprendizaje.
- Cómo aprender a través del e-learning.
- ¿Cuál es el mejor instituto para cursos en línea con certificación?
- ¿Cuál es la mejor manera de aprender de los cursos de video de programación como los de Udemy.com?
- ¿Es malo que Coursera y edX tengan tasas tan bajas de finalización? Si no, ¿cómo evalúa si un MOOC es bueno o no?
- ¿Cuál es la mejor manera de aprender programación en línea? Hay tanta información en la web que es confusa.