Honestamente, casi cualquier concurso de Kaggle te dará una buena experiencia con Machine Learning (solo no hagas los de juguete). Esa puede ser una respuesta simple; pero realmente depende de tu conocimiento de dominio y la perspectiva que traigas. Alguien con una perspectiva única para encontrar una característica que sea muy indicativa de cómo predecir la verdadera distribución subyacente de los datos puede ganarse a las personas con más de 20 años de experiencia en ML.
Si quieres un desafío y algo diferente, prueba un concurso que se centre en soluciones DL. DL en sí mismo tiene su propio conjunto único de desafíos; Por lo tanto, tratar de superarlos además de obtener una buena comprensión de las técnicas que está utilizando sería un buen desafío para la mayoría de las personas. Para mí en particular, los desafíos de recomendación me parecían bastante extraños porque las soluciones que las personas elaboraron generalmente se basaban en algunos EDA muy observacionales y algunas transformaciones complejas. Entonces, ese puede ser un buen lugar para comenzar también.
- ¿Cómo obtienen las empresas datos de capacitación para implementar el aprendizaje para clasificar algoritmos, especialmente en el contexto de búsqueda?
- ¿Qué herramientas matemáticas puedes usar para analizar el comportamiento de las redes neuronales en el tiempo?
- ¿Por qué utilizamos núcleos en algunos modelos de aprendizaje automático?
- ¿Tiene sentido la regularización (L2, abandono, etc.) alguna vez para datos muy ruidosos, pero también abundantes, como series de tiempo financieras?
- ¿Existen aplicaciones prácticas útiles y serias de redes neuronales que se ejecutan localmente en aplicaciones de teléfonos inteligentes móviles?
