1. Aprende Python
Si eres nuevo en programación, te recomiendo que aprendas Python. Es un lenguaje fácil de aprender y muchos cursos que sugeriré en esta publicación usan python en sus tareas. Debe poder hacer las cosas, no solo aprender la sintaxis.
Aquí hay algunos recursos excelentes para aprender Python:
- ¿Cuál será el impacto de la IA en la industria del marketing?
- Si se puede programar una IA totalmente autorreprogramada y totalmente sensible, ¿hay alguna forma de evitar que tenga alguna posibilidad de ser maliciosa?
- ¿Qué es la prueba de Turing?
- ¿Dónde puedo encontrar todas las piezas para IBM Watson y quién me puede ayudar a construirlo?
- Cómo hacer un proyecto de aprendizaje automático desde cero si no tengo idea al respecto
- Python Class de Google: este es un curso corto. Pero te enseña todo lo que necesitas saber para codificar algo rápido.
- Introducción a la informática: este es un curso de 3 semanas de duración. Si nunca antes ha codificado en ningún idioma, puede tomar este curso en su lugar.
2. Aprende / repasa tu cálculo multivariante
Cada algoritmo de Machine Learning requiere optimización. Fundamento para el cual es un sólido conocimiento de cálculo multivariado y álgebra lineal. Me encanta este curso, si te gustan las matemáticas, ¡estoy seguro de que tú también lo harás!
- Cálculo multivariante
Si no ha tomado ningún cálculo antes, puede considerar tomar Calculus One.
3. Aprender / Repasar Álgebra Lineal
Todos sabemos multiplicar matrices, tomar inversas y calcular determinantes. Para comprender los algoritmos de Machine Learning, ¡eso no es suficiente! Necesita una comprensión sólida de las interpretaciones geométricas de estas operaciones. Las conferencias del profesor Gilbert Strang son un excelente recurso para aprender álgebra lineal de la manera correcta.
- Álgebra lineal
4. Tome un curso de teoría de probabilidad e inferencia estadística.
¡Es vital comprender bien la teoría de la probabilidad, comprender por qué funcionan los algoritmos de aprendizaje automático! No he tomado esta versión del curso. Pero el contenido del curso a continuación parece muy relevante.
- Introducción a la probabilidad
5. Tome un curso básico en algoritmos
La comprensión sólida de los algoritmos es esencial para cualquier disciplina computacional. El profesor Tim Roughgarden tiene un excelente curso introductorio sobre el tema.
- Algoritmos: Diseño y Análisis 1
- Algoritmos: Diseño y Análisis 2
6. Tome el curso básico de aprendizaje automático
Ahora, está listo para abordar los 2 cursos de aprendizaje automático más básicos disponibles en línea.
- Introducción a la inteligencia artificial: ofrece una visión más amplia del campo de la inteligencia artificial.
- Aprendizaje automático: un curso excelente, pensado por el profesor Andrew Ng. Necesita aprender MATLAB / Octave para programar tareas.
Ahora, puedes participar en Kaggle después de aprender scikits-learn.
¡Solo con las habilidades que ha aprendido hasta ahora, es posible que pueda conseguir un trabajo bien remunerado con el título sexy “Data Scientist”! ¡Puedes impresionar a tus amigos de la fiesta!
Pero, ¡tienes un largo camino por recorrer! No estás cerca de llamarte a ti mismo “un experto” en Machine Learning. ¡No podrá elegir un documento de la conferencia ICML / NIPS y comprenderlo!
Para empezar, debe tomar un curso que se aproxime más formalmente al aprendizaje automático que el curso del profesor Andrew Ng.
1. Clase de aprendizaje automático más formal
El Prof. Abu-Mostafa enseña muy bien la teoría del aprendizaje y las máquinas kernel. También puede hacer las tareas usando cualquier idioma.
- Aprendiendo de los datos
2. Un curso sobre optimización
A estas alturas, debe haber notado que cada algoritmo de Machine Learning utiliza invariablemente la optimización de una función objetivo. Tener optimización en su caja de herramientas lo hace muy valioso como practicante de Machine Learning. Un curso introductorio en Optimización convexa lo familiarizará con el vocabulario de optimización y las matemáticas suficientes, para que pueda aprender más cosas sobre la optimización usted mismo.
- Optimizacion convexa
3. Aprender modelos gráficos probabilísticos
Si planea trabajar en visión artificial o procesamiento del lenguaje natural, invariablemente se encontrará con uno u otro tipo de modelo gráfico. Aprender diferentes técnicas de inferencia y principios de aprendizaje será útil cuando intente comprender un nuevo modelo gráfico. El curso de algoritmos que estudió anteriormente es muy útil para este curso.
- Modelos gráficos probabilísticos
La inferencia basada en muestreo, específicamente MCMC (Markov Chain Monte Carlo) podría ser bastante difícil de entender al principio.
- Introducción para principiantes a MCMC. (Ver solo la Lección 1). Los fundamentos de muchos modelos gráficos probabilísticos en realidad provienen de la mecánica estadística. Es una muy buena introducción al tema, de forma intuitiva.
- Introducción más formal a MCMC.
- MCMC para Machine Learning. Si prefiere un tratado escrito sobre el mismo tema.
4. Aprendizaje profundo
Si está fascinado por el objetivo más amplio de la IA, puede encontrar interesante el aprendizaje profundo. Los enfoques de aprendizaje profundo tienen muchos registros en muchos conjuntos de datos que interesan a los investigadores. Prof. Jeff Hinton, una de las autoridades en el tema tiene un excelente curso.
- Red neuronal para el aprendizaje automático Tiene muy buenos videos sobre partes históricas del aprendizaje profundo.
- Neural Network Class por el Prof. Hugo Larochelle, la página del curso también contiene referencias a investigaciones recientes en Deep Learning.
Stanford tiene 2 excelentes cursos sobre aprendizaje profundo aplicado en las siguientes áreas:
- Las redes neuronales convolucionales para el reconocimiento visual cubren las redes de convolución para la detección de objetos con gran detalle y los desarrollos recientes en Deep Learning for Vision.
- El aprendizaje profundo para el procesamiento del lenguaje natural abarca representaciones de vectores de palabras, redes neuronales recurrentes, redes neuronales recursivas y, por último, desarrollos muy recientes en técnicas de aprendizaje profundo para PNL.
5. Elija su área de aplicación
Después de completar el estudio, el aprendizaje automático llega hasta ahora, es posible que desee familiarizarse con una de las áreas de aplicación. Dependiendo de tu inclinación puedes elegir entre
- Procesamiento natural del lenguaje
- Visión por computadora (nunca estudió visión por computadora, así que no estoy seguro de cuál es una buena clase en línea)
- Aprendizaje automático aplicado. Muchos trabajos de Data Scientist requieren que usted conozca Map-Reduce. Para adquirir esas habilidades, puede tomar estas Introducción a las bases de datos y, a continuación, Minería de conjuntos de datos masivos.
Bueno, después de todo esto, estás destinado a la grandeza en Machine Learning. Te deseo buena suerte desde el fondo de mi corazón.