El aprendizaje automático aplicado se ve así:
- SQL
- Pitón
Los dos primeros son críticos. La mayoría de los ingenieros de aprendizaje automático pasarán su tiempo limpiando datos , especialmente si usted es nuevo. La limpieza de datos es fácilmente más de la mitad del trabajo de un ingeniero de aprendizaje automático, por lo que aprende Pandas y SQL realmente bien.
El modelo y la parte matemática son demasiado exagerados.
- ¿Las imágenes captcha perderían su importancia si las técnicas de procesamiento de imágenes pudieran reconocer a los personajes automáticamente?
- ¿Qué distingue una capa de una red neuronal de otras capas?
- ¿Qué es la factorización de bajo rango y cuáles son sus aplicaciones en el aprendizaje automático?
- ¿Cómo 'Diagonal BiLSTM' calcula los estados diagonales a la vez y qué es diagonal?
- ¿Cómo y cuándo comenzaste con Kaggle?
- Big data
- Nube
Casi todo el aprendizaje automático aplicado se supervisa y el 90% de todos los datos del mundo no están estructurados, así que familiarícese con las herramientas de Big Data. El objetivo final de todos sus datos es la estructura.
La nube es donde la mayoría de las pequeñas y medianas empresas construirán sus modelos porque simplemente no pueden permitirse la infraestructura que construirá modelos neuronales del mundo real de manera oportuna.
5. Análisis de modelo
Por último, necesitará conocer suficientes estadísticas para interpretar sus modelos y deberá saber qué enfoque adoptar para cada situación. Por ejemplo, desea predecir si un cliente comprará un artículo o no. Ese es un problema de clasificación binaria. Los datos anteriores mostrarán que un cliente compró el producto o no lo compró.
Aquí hay un curso gratuito sobre los modelos más utilizados.
Una introducción al aprendizaje automático para ingenieros de datos
