Aquí está mi opinión sobre estos dos cursos de Kiril:
UNA). Estos dos cursos deben tomarse si usted es un principiante en ML y realmente no quiere profundizar en los aspectos teóricos de ML inicialmente. En cambio, solo desea saber cómo aplicar diferentes técnicas de ML para resolver problemas de la vida real utilizando los marcos de ML estándar proporcionados en Python y R. Los cursos son bastante prácticos y debería poder aprender a usar R / Python para tus problemas de aprendizaje automático
SI). Si eres bueno programando en cualquier lenguaje como R, Python, Spark, Java, puedes retomar la teoría del curso de Andrew NG y comenzar a implementarla en tu idioma favorito en cualquier dato disponible libremente. Pero si no está muy interesado en la programación, este curso definitivamente lo ayudará a escribir código limpio para desarrollar una tubería de ML para resolver un problema de la vida real.
- ¿Qué enfoques / regulaciones se utilizan para manejar el 'problema mínimo / máximo local' cuando se usa el descenso de gradiente con redes neuronales profundas?
- ¿Qué quieres decir con optimización?
- ¿Cómo se determina la significación estadística para las curvas ROC y los valores de AUC?
- ¿Cuáles son las falacias comunes de minería de datos?
- ¿Hay algún solucionador que minimice la función objetivo [matemática] f (x) = \ matemática {e} ^ x [/ matemática] donde [matemática] x> 0 [/ matemática]?
Veredicto: vaya al curso Kiril Eremenko si desea obtener experiencia práctica de ML. Pero abstente de este curso si quieres aprender ML algo desde cero.
Mi opinión personal es ir a este curso, incluso si eres bueno en ML / DL, ya que aprender frameworks Python (Scikit learn / TensorFlow / Keras) / R ayuda mucho.
