¿Cómo debo aprender Python para el aprendizaje automático y la inteligencia artificial?

Si no eres nuevo en programación pero eres nuevo en Python, es posible combinar el aprendizaje de ML y Python juntos. Deberá familiarizarse con las bibliotecas NumPy, Pandas, SciPy y scikit-learn.

Learning ML Sugeriría estos dos cursos gratuitos:

1. Machine Learning por la Universidad de Stanford en Coursera
2. Deep Learning de Google en Udacity

Combinando ML y Python aquí hay algunos recursos que sugeriría, pero suponen cierta familiaridad básica con ML:

• Aprendizaje automático aplicado en Python | Coursera
• Una introducción al aprendizaje automático con scikit-learn
• Tutorial práctico de aprendizaje automático con introducción a Python

Estos son solo un punto de partida y hay muchos recursos nuevos que aparecen todo el tiempo, así que esté atento. Yo mismo estoy haciendo un viaje de aprendizaje sobre Machine Learning y estoy documentando los recursos que he encontrado útiles en esta publicación de blog.

Feliz aprendizaje

Hay varios cursos en línea sobre aprendizaje automático e inteligencia artificial, pero la mayoría de ellos no están escritos en Python. Por ejemplo, Machine Learning | Coursera de Andrew Ng, que es el curso más popular sobre aprendizaje automático, está escrito en octava. ¡Sin suerte!

Le proporcionaré el enlace de tres cursos desde donde comencé a aprender el aprendizaje automático y sí, el curso es en Python.

1. Introducción al aprendizaje automático para el comercio | Quantra por QuantInsti

Este es el curso básico sobre aprendizaje automático que le ofrece la introducción de diferentes tipos de aprendizaje y algoritmos utilizados en el aprendizaje automático y, finalmente, una estrategia en Python .

2. Comercio con Machine Learning: regresión | Quantra por QuantInsti

• Varios conceptos de preprocesamiento de datos para aumentar el rendimiento de un sistema
• Concepto de hiperparámetros y técnicas de validación cruzada para obtener mejores resultados de su modelo comercial
• Concepto de regresión y las matemáticas detrás de él.
• Intercambio de sesgo y varianza
• Codifique todos los conceptos aprendidos para formar sus estrategias en Python

3. Comercio con Machine Learning: clasificación y SVM | Quantra por QuantIsnti

Este curso cubre las diferentes técnicas de clasificación y el concepto matemático detrás de él.

• Clasificador de regresión logística
• Clasificación multiclase y la diferencia entre la clasificación binaria y multiclase
• Algoritmo uno contra todos, una codificación activa y función Softmax para realizar la clasificación multiclase
• Support Vector Machine y las matemáticas detrás de Support Vector Machine
• Diferentes parámetros SVM para optimizar el modelo.
• Para predecir la tendencia usando el clasificador de vectores de soporte en Python

Python es realmente fácil incluso si quieres aprenderlo para ciencia de datos, aprendizaje automático o IA. Data Science requiere habilidades en Matemáticas, Estadísticas, SQL, Python y ML con Python.

Entonces, si planea un trabajo en ciencia de datos, ML o AI, aquí puede aprender los conceptos de aprendizaje automático, inteligencia artificial Python, R y otras habilidades requeridas.

Vamos al punto de aprender Python:

# Paso 1 Aprender lo básico

Aquí hay algunos tutoriales para Python Basics

• Sintaxis de Python
• Variables de Python y conjuntos de datos
• Cuerdas en Python
• Operadores de Python
• Toma de decisiones en Python
• Bucles en Python

Aquí puedes leer otro Tutorial de Python

# Paso 2 El segundo paso es tener una comprensión más profunda de los diferentes paquetes de Python como NumPy, SciPy, Pandas y Scikit-Learn

# Paso 3 Aprenda los conceptos básicos de Matemática y Estadística que necesitará para implementar los códigos de Python. Ahora tendrá los conocimientos básicos para escribir sus propios programas.

# Paso 4 Instale Python y comience a implementar mini proyectos de Python. Recopile algunos datos e intente procesarlos utilizando los conceptos básicos de Python que ha aprendido.

# Paso 5 Te enfrentarás a ciertos problemas mientras practicas, solo buscas en Google y eres miembro de varios foros de discusión y obtendrás una solución para casi todo.

Y si no quiere pasear por la web aquí encontrará algunos buenos libros en Python. Simplemente no olvides aprender los otros ingredientes de Data Science.

Si te gusta la respuesta, ¡POR FAVOR , UPVOTE!

Aprenda siguiendo estos pasos a continuación.

Debido a que Python es extremadamente popular, tanto en las comunidades industriales como científicas, no tendrá dificultades para encontrar recursos de aprendizaje de Python. Si es un principiante completo, puede comenzar a aprender Python utilizando materiales en línea, como cursos, libros y videos. Por ejemplo:

1. Aprende Python de la manera difícil

2. Curso de Python para desarrolladores de Google (videos)

3. Clase de Python de Google

Diferentes cursos en línea para aprender Python [impartido por expertos en Python]

1. 30 días de Python | Desbloquee su potencial de Python

2. Conviértete en un programador profesional de Python

3. Completa Python Masterclass [MEJOR]

4. Fast Track Python para principiantes

5. El curso completo de Python 3: ¡pasa de principiante a avanzado!

6. La Biblia de Python ™ | Todo lo que necesitas programar en Python

Creo que si necesita aprender Python dentro de 1 mes, la forma más ideal es aprender sin la entrada de nadie más y gastar entre 5 y 6 horas diarias para codificar en Python. ya eres un programador básico, entonces te tomaría alrededor de 10 días y una vez que entiendas lo esencial en ese punto, codifica cada una de las estructuras y algoritmos de datos de tuercas y tornillos. Aprender Python por ti mismo es algo excepcionalmente fácil.

En mi caso, lo aprendí por mi cuenta. Lo único que importa es de qué fuente estás tratando de aprender. Si la fuente no está bien, sin duda perderás tu entusiasmo a medida que pasa el tiempo. Y aprender con la práctica El uso ha sido confiablemente el enfoque más ideal para adoptar estas tecnologías. A continuación se enumeran las mejores fuentes para aprender Python solo:

[1] Hackr.io : indiscutiblemente extraordinario en comparación con otra fuente en línea que descubrí que tiene una actividad extremadamente interesante. Lo que han hecho es capturar sucintamente todas las mejores fuentes de grabaciones en línea accesibles para tomar estas innovaciones y lo instalaron en una plataforma solitaria .

[2] Python.org : Este es el pionero sin precedentes que obtiene de la documentación de la organización de Python, pero podría ser impresionantemente intenso para los aprendices.

[3] Automatiza las cosas agotadoras con Python : es un libro destacado entre otros para aprendices de cosas rápidas y de calidad.

[4] Aprendizaje automático con texto en scikit-learn (PyCon 2016)

[5] Aprendizaje automático, parte 1 | Tutorial de SciPy 2016

[6] Aprendizaje automático, parte 2 | Tutorial de SciPy 2016

Fijarse en un problema que su curiosidad requiere que resuelva …

Luego Coursara tiene un gran curso de ML y un segundo curso sobre Neural Networds con el inventor de la propagación inversa Geoff Hinton.

Creo que una pequeña base en estadística ML es una buena base.

… luego devora todo lo que puedas encontrar en TensorFlow / PyTorch … mientras te acostumbras a violar y saquear a Github por ejemplos que te ayuden a acercarte a tu objetivo de resolver tu problema. 🙂

Los documentos de dos minutos también son un recurso fascinante …

¿Cómo pueden los Flat Earthers explicar el video en vivo del roadster de Elon Musk que muestra claramente una Tierra redonda en tiempo real?

Diviértete .. la mejor de las suertes

Ah … y si te sientes atrevido …

Cálculo, probabilidad, estadísticas, álgebra lineal se convertirán en tus amigos 🙂

Primero descarga e instala numpy y comienza a jugar con multiplicaciones matriciales. Necesita álgebra lineal, así que en lugar de calcular las respuestas de un libro / tutorial a mano, escriba un código que lo haga por usted con cualquier matriz de rango.

Luego instale Sklearn y comience a mirar los documentos, le enseña un fondo muy abstracto para los algoritmos. Es suficiente ser un principiante y tener una intuición en las API de ML.

Puede tomar la especialización de Aprendizaje profundo en Coursera para una comprensión más profunda de la mecánica detrás de los algoritmos, y Andrew NG lo enseña para que esté en buenas manos.

Para un conocimiento más profundo, debe hacer cs231n de Stanford (gratis y completamente en línea. Sin certificado) que enseña visión por computadora. Esto le dará un conocimiento respetable de lo que está sucediendo. Pero para ser aún mejor, te sugiero que repases tus habilidades de cálculo multivariante y tomes las redes neuronales para ML y los cursos de ML en Coursera. Y trabaje a través de los derivados a mano para probar las fórmulas que le dan los profesores Hinton y NG (respectivamente).

Todo lo mejor.

Construir sistemas de aprendizaje automático con Python es un libro increíble. Lo estoy revisando en este momento, y a diferencia de otros cursos de aprendizaje automático que he tomado, donde tienes que sentarte a través de las conferencias de teoría, este libro se enfoca completamente en resolver problemas con el código. Es una delicia.

Uno de los primeros pasos es familiarizarse con las tareas de OpenAI (OpenAI Gym: un juego de herramientas para desarrollar y comparar algoritmos de aprendizaje de refuerzo).

Existen muchos enfoques de aprendizaje por refuerzo que se pueden aplicar para resolver las tareas.

También recomendaría aprender el procesamiento del lenguaje natural; puede comenzar con conferencias de Socher -> CS224d: aprendizaje profundo para el procesamiento del lenguaje natural

La IA es un gran paraguas. ¿Supongo que tu objetivo es convertirte en un ingeniero de aprendizaje automático?

La mayoría de nosotros somos aprendices visuales. Con eso en mente, es difícil superar los cursos en línea. Hay algunos cursos excelentes en Udemy y son bastante asequibles. No pagues el precio completo. Busca un cupón.

DISCOLSURA COMPLETA: Tengo algunos en su … principalmente SQL Server pero algunos en Azure ML y Python.

También hay un montón de excelentes ejemplos y tutoriales que son gratuitos. No te olvides de YouTube. Toneladas de contenido gratuito.

Hay un chico que hace escuela de datos en YouTube y habla despacio, pero sus tutoriales son fantásticos. Kevin Markham … algo así.

Si solo buscas en Google lo que te interesa, hay muchísimos ejemplos geniales.

Ejemplo: solo Google … Keras Tutorial.

Ejemplo: solo Google … SciKit Learn Tutorials.

Hay numerosas bibliotecas en Python que lo ayudarán a lograr su objetivo. La inteligencia artificial es bastante general para describirla como su necesidad. Debe ser específico, por ejemplo, hay muchos enfoques y muchos más algoritmos. Tomemos uno que es exagerado hoy en día: aprendizaje de refuerzo profundo. Puede hacer esto fácilmente en la documentación de Keras (usando Neural Network) + matthiasplappert / keras-rl (que debajo del capó usa Keras y TensorFlow / Theano).

¡Buena suerte!

sci-kit learn viene con muchos modelos básicos de aprendizaje automático y tutoriales útiles, conjuntos de datos de muestra y ejemplos para comenzar: scikit-learn: aprendizaje automático en Python

Si su curso introductorio en Python no hablaba de numpy y scipy, es posible que desee buscarlos.

echa un vistazo a Coursera

Aquí hay un enlace

Cursos de aprendizaje automático | Coursera

Deberían tener algunas clases gratuitas para que comiences

También hice un video de YouTube en el que puedes encontrar muchos tutoriales gratuitos y de pago en cualquier idioma que estés tratando de aprender.

Abra un indicador de Python, luego, mientras se está ejecutando, lea algunos libros sobre IA. Una vez que estés de moda, busca algoritmos y Tensorflow para aprendizaje profundo.