Para aprender el aprendizaje automático, debes ser mejor que el promedio en matemáticas. Estas son las matemáticas que debe aprender teniendo en cuenta el objetivo final para estar preparado.
- Álgebra lineal-Álgebra lineal– MIT 18.06 Álgebra lineal por Gilbert Strang
- Teoría de la probabilidad-Probabilidad y estadística – MIT 6.041 Análisis de sistemas probabilísticos y probabilidad aplicada por John Tsitsiklis
- Cálculo
- Cálculo de variaciones.
- Teoría de grafos
- Métodos de optimización (multiplicadores de Lagrange)
- Cualquier lenguaje de programación ampliamente utilizado para ML como python, MATLAB o C ++.
PD: recomendaría Python aquí como lenguaje y recomendaría los siguientes enlaces:
- Aprendizaje automático con texto en scikit-learn (PyCon 2016)
- Aprendizaje automático en Python con scikit-learn
Una vez cumplidos estos requisitos, puede por fin comenzar a considerar Machine Learning.
¿6 PASOS FÁCILES para utilizar el APRENDIZAJE DE MÁQUINAS?
Este es el lugar donde comienza la diversión. Ahora, se espera que la base comience a echar un vistazo a algunas informaciones. La mayoría de las empresas de aprendizaje automático tienen básicamente el mismo proceso de trabajo:
PASO 1.) Fabrica tus fundamentos de aprendizaje automático estudiando material relacionado con el tema:
a.) Las conferencias de Andrew Ng’s Machine Learning son un gran comienzo:
Colección de conferencias | Aprendizaje automático: YouTube
b.) Certificado de aplicaciones y minería de datos de Stanford:
Certificado de Posgrado en Minería de Datos y Aplicaciones
c.) Escuela de verano de aprendizaje automático:
https://www.youtube.com/playlist …
d.) Un enlace a la lista de reproducción completa está aquí (Lecture Collection | Machine Learning)
https://www.youtube.com/view_pla …
e.) “Pase la mejor introducción de aprendizaje automático que he visto hasta ahora”.
PASO 2.) Tome un curso en línea
Lo principal que aconsejo a alguien que necesita ingresar al aprendizaje automático es tomar el curso en línea de Andrew Ng.
Creo que el curso de Ng es especialmente directo y excepcionalmente eficiente, por lo que es un conocimiento extraordinario para alguien que necesita ingresar a ML. Me sorprende cuando las personas me revelan que el curso es “excesivamente fundamental” o “excesivamente superficial”. En el caso de que me revelen que solicito que aclaren el contraste entre la Regresión logística y el SVM, PCA lineal frente a la factorización matricial, regularización o descenso de gradiente. He hablado con aspirantes que afirmaron años de encuentros de LD que no sabían la respuesta a estas preguntas. En su mayor parte, se aclaran claramente en el curso de Ng. Hay muchos otros cursos en línea que puede tomar después de este, pero ahora está en su mayor parte preparado para pasar a la siguiente etapa.
Vea mi publicación anterior 10 mejores videos, profesores y cursos sobre aprendizaje automático para principiantes y avanzados
PASO 3.) Algunas sugerencias de libros
Mi siguiente paso sugerido es obtener un libro de ML decente (mi lectura más abajo), leer las principales secciones de introducción, y después de eso rebotar a cualquier parte que incorpore un algoritmo, usted está interesado. Cuando haya descubierto ese algo, salte a él, vea cada uno de los puntos de interés y, en particular, impleméntelo. En el paso anterior del curso en línea, a partir de ahora habría actualizado algunos algoritmos en Octave. Sea como fuere, aquí estoy buscando ejecutar un algoritmo sin ninguna preparación en un lenguaje de programación “real”. En cualquier caso, puede comenzar con una simple, por ejemplo, Regresión logística regularizada en L2, o k-means, pero también debe impulsarse a actualizar todos los más intrigantes, por ejemplo, SVM. Puede utilizar una implementación de referencia en una de las muchas bibliotecas existentes para asegurarse de obtener resultados equivalentes.
- El razonamiento bayesiano y el aprendizaje automático de David Barber
- El aprendizaje automático de Kevin Murphy: una perspectiva probabilística
- Los elementos del aprendizaje estadístico de Hastie, Tibshirani y Friedman
- Reconocimiento de patrones y aprendizaje automático de Bishop
- Aprendizaje automático de Mitchell
También hay numerosos libros excelentes que llaman la atención sobre un tema específico. Por ejemplo, Sutton and Re-Inforcement Learning es una obra de arte. Además, el libro Deep Learning (accesible en la web) prácticamente se está convirtiendo en un ejemplo antes de ser distribuido. Sea como fuere, necesita un par de esos libros para reunir una comprensión equilibrada y hasta cierto punto del campo.
Vea mi publicación anterior 10 eBooks gratuitos de lectura obligatoria sobre conceptos básicos de aprendizaje automático.
También puede ir específicamente a un trabajo de investigación que presente un algoritmo o enfoque que le interese y salte a él.
PASO 4.) Algoritmos más esenciales
Se confía en usted para conocer los aspectos básicos de un algoritmo esencial.
Vea mi anterior post 15 algoritmos que los ingenieros de aprendizaje automático deben saber.
PASO 5.) Juega con algunos conjuntos de datos enormes que son de acceso abierto.
Descubra un conjunto de datos que le parezca especialmente interesante o sobre el que tenga hipótesis y compruebe si tiene razón.
Datos del gobierno de EE. UU. http://www.data.gov/
Ferrocarril Catering y Turismo Corporación http://www.irctc.co.in
PASO 6.) Participa con un equipo de personalización o aprendizaje automático centrado en el producto.
El grupo que busca debe estar cargado de ingenieros a quienes desea instruir y aprender. Esto lo mejorará para convertirse en un buen ingeniero de aprendizaje automático. Del mismo modo, al dividir un grupo de productos, descubrirá rápidamente cómo la ciencia y la hipótesis del aprendizaje automático varían de la capacitación. Específicamente, cómo la conducta del cliente le mostrará algo nuevo cada día.
