Como otros dicen, el aprendizaje real ocurre al hacer.
Pero hacerlo solo puede suceder si se despierta su interés. Lo que Andrew Ng hace en su clase es aumentar su curiosidad sobre todos los diferentes temas en ML.
Una de sus mejores conferencias es en la Semana 6, donde habla sobre Selección de modelos, Curvas de aprendizaje, etc. Ese es el tipo de cosas que no he visto hablar de esa manera en otros lugares. La mayoría de las personas y los libros se vuelven muy cuantitativos hablando de sesgos y variaciones, etc. Andrew Ng desarrolla su intuición brillantemente y luego puede seguir con matemáticas pesadas en otro lugar.
- ¿Qué pasaría si pocos puntos de datos son comunes en los conjuntos de capacitación y validación?
- ¿Cómo empiezo a analizar una base de datos de análisis web?
- Cuál debería ser mi próximo paso, después de cubrir las estadísticas básicas de las estadísticas principales, un curso básico de análisis de datos (preparación de datos, exploración, clasificación, minería de reglas de asociación, agrupación, regresión) y un proyecto en un conjunto de datos SSLC (puede encontrarlo en mi único blog en Quora) usando R?
- ¿Por qué las redes neuronales artificiales se usan ampliamente en la clasificación de imágenes?
- ¿Qué hace el -1 en la siguiente línea del código TensorFlow x_image = tf.reshape (x, [-1,28,28,1])?
Su punto sobre cómo evaluar exactamente un modelo fue brillante. Obtener error del tren. Obtener error de prueba. Construir curva de aprendizaje. Averigüe si su modelo está sobreajustando o subadaptando. Averigüe si necesita más ejemplos de capacitación o simplemente un modelo más complejo. Ir en una de estas dos rutas y reiterar. Cosas brillantes
Diría por intuición que su curso será el 9/10.
