Su pregunta es muy importante en este momento en la educación en ciencias de datos. A decir verdad, no hay muchos recursos disponibles para este tipo de cosas. Necesitamos un libro llamado “Machine Learning from Scratch” que discute el desarrollo de las bibliotecas de ML de abajo hacia arriba, en lugar de enseñarnos cómo usar el código preempaquetado.
En este momento, lo mejor que puede hacer es:
- Aprende vanilla C ++
- Aprenda a usar algunas bibliotecas de álgebra matricial y computación multinúcleo en C ++
- Elija algunos libros sobre optimización numérica, incluidos “Optimización para el aprendizaje automático” (Sra, Nowozin, Wright), “Redes neuronales y aprendizaje estadístico” (Du, Swamy) e “Introducción al aprendizaje estadístico” (James, Witten, Hastie ) y comience a programar las matemáticas en C ++.
La investigación que impulsa el desarrollo de buenas bibliotecas de aprendizaje automático es la que matemáticamente formula el problema para su aplicación en cualquier idioma. Los “ML Elite” son aquellos que pueden cerrar la brecha entre la teoría matemática y las buenas funciones de ML, y necesitamos más de esas personas.
- ¿La validación cruzada más pequeña siempre es un indicador de un mejor modelo predictivo incluso si un modelo predictivo tiene una gran cantidad de parámetros?
- ¿Cuáles son los componentes básicos del reconocimiento de voz desde el punto de vista DSP?
- ¿Qué debo usar para el aprendizaje automático si necesito una solución rápida: Python, R o SAS?
- ¿Por qué el error cuadrático medio es equivalente a minimizar la entropía cruzada entre la distribución empírica y un modelo gaussiano?
- ¿Cómo hace un auto Tesla el aprendizaje automático?
