Internet está lleno de tutoriales para Machine Learning. Por lo tanto, es aún más importante aislar las fuentes realmente excelentes de las mediocres.
Según mi experiencia con él, estas son algunas de las grandes fuentes.
- Aprendizaje automático | Coursera, este es el curso para empezar. El orador Andrew Ng ha presentado los conceptos de ML de la manera más simple e intuitiva. La ventaja de este curso para un principiante es que no se requieren conocimientos previos de matemáticas o estadísticas.
- Fundamentos de los algoritmos de aprendizaje automático (con Python y códigos R), este blog sería el siguiente paso. Este blog proporciona gran información para cada algoritmo individual para el aprendizaje supervisado y no supervisado, así como para indicar sus ventajas y desventajas explícitamente. Este fue mi blog para entender qué algoritmo usar cuando.
- 1 – 1 – Introducción al curso – Stanford PNL – Profesor Dan Jurafsky y Chris Manning, este curso para PNL es excelente. Puede que te resulte un poco largo, salta por las partes obvias.
- Este artículo describe algunos conceptos de PNL en términos algo simples: Similitud de oraciones basada en redes semánticas y estadísticas de corpus
- Idiomas y software: Python es el idioma de elección para la mayoría de los científicos de datos e ingenieros de ML, principalmente debido a su gran soporte para bibliotecas como sklearn, pandas, etc. Sin embargo, puede usar WEKA, si se siente más cómodo usando una interfaz de usuario software en lugar de programarlo usted mismo.
- El consejo más importante: la fuente más importante es ninguna fuente. Lo que quiero decir es que la mejor manera de aprender ML y NLP es hacerlo. La lectura ayudará, pero poco. Por ejemplo, pasar por el curso de PNL anterior se volvió un poco monótono después de algunos videos, hasta el punto de que tuve dificultades para convencerme de ver más. Entonces tomé un proyecto: Quora Question Pairs | Kaggle Lo que aprendí trabajando en este conjunto de datos es más de lo que cualquier video podría enseñarme.
En cualquier campo, ¡cuanto más USTED HAGA , más APRENDERÁ! Entonces, aunque es bueno entender los conceptos, para ser realmente bueno en ello, aplicarlos. Descarga conjuntos de datos y juega con ellos.
- ¿Cómo tratan SVM y ANN los valores atípicos?
- ¿Qué aplicaciones iOS usan TensorFlow del lado del cliente?
- ¿Las redes de confrontación generativas funcionan para la detección de valores atípicos?
- ¿Cómo podría el aprendizaje automático mejorar la nariz electrónica?
- ¿Por qué un algoritmo evolutivo es un método inapropiado para usar cuando se busca una clave para descifrar un mensaje codificado cuando solo hay una respuesta correcta?
¡Espero que esto ayude!
