Necesito aprender los conceptos básicos del aprendizaje automático rápidamente, para mi trabajo. ¿Dónde empiezo?

Esbocé una hoja de ruta de la mayoría de los conceptos centrales de ML en otra respuesta. Pase aproximadamente dos semanas después de esto:

(He escrito sobre muchos de estos temas en varias respuestas sobre Quora; vinculé los más relevantes para una referencia rápida).

Día 1:

• Terminología básica:

1. Configuraciones más comunes: configuración supervisada, configuración no supervisada, configuración semi-supervisada, aprendizaje de refuerzo.
2. Problemas más comunes: Clasificación (binaria y multiclase), Regresión, Agrupación.
3. Preprocesamiento de datos: normalización de datos.

• Conceptos de conjuntos de hipótesis, error empírico, error verdadero, complejidad de conjuntos de hipótesis, regularización, compensación de sesgo-varianza, funciones de pérdida, validación cruzada.

Dia 2:

• Conceptos básicos de optimización:

1. Terminología y conceptos básicos: optimización convexa, lagrangiana, problemas primarios-duales, gradientes y subgraduados, [math] \ ell_1 [/ math] y [math] \ ell_2 [/ math] funciones objetivo regularizadas.
2. Algoritmos: descenso de gradiente por lotes y descenso de gradiente estocástico, descenso de gradiente coordinado.
3. Implementación: escriba código para el descenso de gradiente estocástico para una función objetivo simple, ajuste el tamaño del paso y obtenga una intuición del algoritmo.

Día 3:

• Clasificación:

1. Regresión logística
2. Máquinas de vectores de soporte: intuición geométrica, formulaciones primarias-duales, noción de vectores de soporte, truco del núcleo, comprensión de hiperparámetros, búsqueda en cuadrícula.
3. Herramienta en línea para SVM: juegue con esta herramienta SVM en línea (desplácese hacia abajo hasta “Interfaz gráfica”) para tener una idea del algoritmo.

Día 4:

• Regresión:

1. Regresión de cresta

• Agrupación:

1. algoritmo k-means y Expectation-Maximization.
2. Agrupación jerárquica de arriba hacia abajo y de abajo hacia arriba.

Dia 5:

• Métodos bayesianos:

1. Terminología básica: Prioridades, posteriores, probabilidad, estimación de máxima probabilidad e inferencia máxima a posteriori.
2. Modelos de mezcla gaussiana
3. Asignación de Dirichlet latente: El modelo generativo y la idea básica de la estimación de parámetros.

Día 6:

• Modelos gráficos:

1. Terminología básica: redes bayesianas, redes de Markov / campos aleatorios de Markov.
2. Algoritmos de inferencia: eliminación de variables, propagación de creencias.
3. Ejemplos simples: Modelos ocultos de Markov. Modelo ising.

Días 7–8:

• Redes neuronales:

1. Terminología básica: neurona, función de activación, capa oculta.
2. Redes neuronales convolucionales: capa convolucional, capa de agrupación, retropropagación.
3. Redes neuronales basadas en memoria: redes neuronales recurrentes, memoria a corto y largo plazo.
4. Tutoriales: estoy familiarizado con este tutorial de la antorcha (querrá consultar el directorio [math] \ texttt {1_supervised} [/ math]). Puede haber otros tutoriales en otros marcos de aprendizaje profundo.

Día 9:

• Temas varios:

1. Árboles de decisión
2. Sistemas de recomendación
3. Procesos de decisión de Markov
4. Bandidos multi-armados

Día 10: (día de presupuesto)

• Puede usar el último día para ponerse al día con lo que queda de días anteriores, o aprender más sobre cualquier tema que le parezca más interesante / útil para su trabajo futuro.

Estos 10 días más o menos deberían brindarle una cobertura de conceptos de muy alto nivel en el aprendizaje automático. Luego puede profundizar en las matemáticas y los detalles de los algoritmos. Puede encontrar algunos consejos sobre cómo cubrir las matemáticas requeridas rápidamente, y qué cursos / libros son buenos en la siguiente respuesta: La respuesta de Prasoon Goyal a ¿Cómo aprendo el aprendizaje automático?

Dado que el aprendizaje automático es un tema muy amplio, creo que una de las preguntas más comunes es cómo comenzar con el aprendizaje automático. Le recomiendo que lea los videos fáciles de YouTube para tener una idea sobre el aprendizaje automático y luego continúe con ejemplos, tutoriales y libros.

Videos:

Colección de conferencias de Andrew Ng en YouTube: las conferencias de Andrew Ng son un gran comienzo como introducción al aprendizaje automático. Es una lista de reproducción completa disponible en YouTube.

Introducción al aprendizaje automático impartido por Sebastian Thrun. Por ejemplo, demostraciones, se utiliza el lenguaje python.

Machine Learning Summer School 2014

Libros:

Consulte este enlace para obtener una lista de libros gratuitos de aprendizaje automático disponibles para descargar.

12 mejores libros electrónicos gratuitos para el aprendizaje automático.

Debe leer libros para principiantes sobre aprendizaje automático e inteligencia artificial.

¿Cuáles son los mejores libros sobre aprendizaje automático?

Ejemplos y tutoriales:

Tutoriales de aprendizaje automático y aprendizaje automático: consulte este repositorio, contiene una lista curada por temas de tutoriales, artículos y otros recursos de aprendizaje automático y aprendizaje profundo.

Además, consulte esta colección Una colección de ejemplos de aprendizaje automático y tutoriales.

Además de los enlaces anteriores, puede verificar las respuestas de varias personas para varias preguntas sobre Quora al revisar este enlace.

Preguntas frecuentes sobre el aprendizaje automático

Espero que esto ayude.

Puedes unirte a la comunidad de “Chatbots y AI Group” donde discutimos mucho sobre Machine Learning y otras tecnologías de IA que están impulsando bots en todo el mundo.

PD: Soy un fabricante de bots en Engazify bot , una forma divertida y fácil para que los equipos aprecien el trabajo duro dentro de Slack.

Gracias a Gideon Wulfsohn por esta lista.

paso 0: decide un proyecto que te obligará a armarlo todo

• labs.five.com
• arxiv.org/abs/1503.07077
• github.com/jbornschein/draw
• github.com/hexahedria/biaxial-rnn-music-composition
• Análisis exploratorio de datos

Paso 1: Instala Anaconda y aprende Pandas

• 10 min para pandas
• estructuras de datos de pandas
• cuaderno de ejemplo

Paso 2: Póngase cómodo con el aprendizaje estadístico

• k-vecino más cercano
• k-significa
• ingenuos bayes
• kaplan-meier
• descenso de gradiente
• factorización matricial
• regresión logística y sgd
• análisis de componentes principales

selección de modelo y validación

Paso 3: profundiza

• Álgebra lineal

• github.com/rougier/numpy-100
• coursera.org/course/matrix

• cursos

• Curso de Aaron Courville
• Curso de Hugo Larochelle

• github.com/goodfeli/theano_exercises
• github.com/Newmu/Theano-Tutorials

• lasaña
• keras
• bloques

• iamtrask.github.io/2015/07/12/basic-python-network
• github.com/syhw/DL4H

• Kaggle – mlwave.com/kaggle-ensembling-guide
• Información abierta
• Raspado

• Reconocimiento de patrones y aprendizaje automático
• Elementos de aprendizaje estadístico
• Aprendiendo con Kernels
• Aprendizaje de refuerzo: una introducción
• Aprendizaje automático basado en modelos

• PNL:
• bugra.github.io/work/notes/2015-02-21/topic-modeling-for-the-uninitiated
• radimrehurek.com/2014/02/word2vec-tutorial
• github.com/cgpotts/cs224u
• honnibal.github.io/spaCy
• Métodos de árbol:
• quora.com/how-do-random-forests-work
• rf ejemplo
• github.com/dmlc/xgboost
• Ejemplo de xgboost
• Optimización de hiperparámetros:
• johnmyleswhite.com/notebook/2012/07/21/automatic-hyperparameter-tuning
• github.com/hyperopt/hyperopt
• github.com/craffel/simple_spearmint
• jmlr.org/papers/volume13/bergstra12a/bergstra12a
• Aprendizaje reforzado:
• Curso de David Silver
• github.com/rlpy/rlpy
• github.com/spragunr/deep_q_rl
• jmlr.org/proceedings/papers/v37/schaul15.pdf
• ijcai.org/papers15/Papers/IJCAI15-638.pdf
• Aprendizaje de transferencia:
• iro.umontreal.ca/~lisa/pointeurs/UTLC_LISA
• http://arxiv.org/abs/1411.1792
• arxiv.org/pdf/1206.6407
• idsia.ch/~ciresan/data/ijcnn2012_v9
• icml-2011.org/papers/342_icmlpaper

A principios del año pasado, decidí aprender sobre el tema y estaba en una situación similar. También tenía bastante experiencia en programación ya que estoy trabajando en sistemas embebidos. He tomado casi 10 cursos y después de esa experiencia, esto es lo que sugeriré.

Como ha mencionado que ya es fuerte en programación, asumo que ya conoce Python o tiene la capacidad de aprenderlo si es necesario.

1) Tome el curso de Andrew Ng. Lo único que no es bueno (según muchos) sobre este curso es que están usando Octave para las tareas. Pero, ¿por qué no tratar de implementarlos en Python?

Para una versión más fácil y más genérica (con python) intente Introducción a ML de Udacity.

Después de los cursos anteriores ya sabes lo suficiente sobre los algoritmos, etc. Después de eso, todo se trata de práctica y proyectos.

Ahora viene la parte de aprendizaje profundo si te interesa.

2) Sin dudas, el mejor curso según mi experiencia fue CS231n de Stanford. El título es ‘Redes neuronales convolucionales CS231n para reconocimiento visual’. Sin embargo, se centra en el tema de la visión por computadora, pero aprenderá todo lo que hay sobre el aprendizaje profundo de ANN, CNN, RNN y LSTM. Las tareas están muy bien diseñadas y pueden ser muy difíciles.

Hay varios otros cursos increíbles en línea, pero estos son los dos que recomendaría. Después de esto, puede decidir por sí mismo sobre temas específicos y los cursos relacionados.

Aunque, me gusta aprender a través del medio visual, pero si está interesado en un libro, mi recomendación será “Reconocimiento de patrones y aprendizaje automático de Bishop”. Yo mismo lo encuentro a veces bastante denso pero, sin embargo, es un libro muy bueno y completo sobre LD y generalmente lo recomiendan muchas personas.

¿Interesado en el campo del aprendizaje automático? ¡Entonces este curso es para ti!

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Aprenda a crear algoritmos de aprendizaje automático en Python y R con dos expertos en ciencia de datos. Plantillas de código incluidas.

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir sus conocimientos y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.

Te llevarán paso a paso al mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de la ciencia de datos.

Este curso es divertido y emocionante, pero al mismo tiempo se sumergen profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

¿Quién es el público objetivo?

• Cualquier persona interesada en Machine Learning
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Machine Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quieran obtener más información al respecto y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no se sienta cómoda con la codificación pero que esté interesada en el aprendizaje automático y quiera aplicarla fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist.
• Cualquier persona que desee crear valor agregado a su negocio mediante el uso de potentes herramientas de Machine Learning

¿Qué voy a aprender?

• Master Machine Learning en Python & R
• Tener una gran intuición de muchos modelos de Machine Learning
• Hacer predicciones precisas
• Haz un análisis poderoso
• Hacer modelos robustos de aprendizaje automático
• Crea un fuerte valor agregado para tu negocio
• Usar Machine Learning para fines personales
• Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
• Manejar técnicas avanzadas como la reducción de dimensionalidad
• Sepa qué modelo de Machine Learning elegir para cada tipo de problema
• Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.

Requisitos

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

No hay atajo para el éxito. ¿O es eso? Si ninguno de ustedes tiene la experiencia, consiga o contrate a alguien.

El aprendizaje automático no se trata solo de mirar videos o realizar algún curso. Es un arte en sí mismo. Viene solo por experiencia y es un proceso continuo. Se trata de saber cuándo usar qué, modelar los datos, comprender y sugerir qué probar primero.

Si es nuevo e inexperto, en 3 meses también se le informará que es incapaz y que existe una alta probabilidad de fracaso. No quiero desanimarte, pero esa es la realidad.

Los pasos mencionados por otros son correctos y podrían usarse para aprender muy bien.

Espero que esto ayude.

Para aprender los conceptos básicos del aprendizaje automático, primero debe tener conocimientos básicos de estadística, álgebra lineal.

Empecé con el siguiente plan,

• Aprenda los conceptos básicos de estadística.

• Estadística inferencial
• Estadísticas descriptivas

Los cursos anteriores se pueden aprender de Udacity.

• Aprender álgebra lineal

• Los temas más importantes son como valores propios, vectores propios.

El curso anterior se puede tomar de la academia Khan.

Ahora está calificado como criterio mínimo para aprender Machine Learning

Finalmente, puede tomar el curso de aprendizaje automático de Coursera (por Andrew NG), es uno de los mejores cursos para obtener conocimientos básicos sobre aprendizaje automático.

Ahora que ha tomado el curso, por supuesto, debe usarlo en la vida real, así que siga participando en concursos en sitios web como Kaggle, Analytics vidhya, etc.

Consulte Analytics vidhya para obtener los mejores artículos en el campo del aprendizaje automático.

Espero que ayude.

Todo lo mejor….:)..

No te mentiré: si nadie en tu equipo tiene experiencia con ML, daría un 90% de tu fracaso, si quieres hacer algo más complejo que lo básico.

Hacer ML de la manera estadísticamente correcta es más difícil que la descripción de los medios.

La buena noticia es que puede hacer algo para aumentar las posibilidades de éxito. Obtenga / contrate a una persona con experiencia en ML como mentor para su equipo. Su trabajo será:

1. Explicarle el flujo de trabajo básico de adquisición de datos y construcción de modelos;
2. Asegúrese de comprender los escollos habituales;
3. Darle algunos proyectos de entrenamiento rápido y echar una mano cuando esté atascado

Le conviene decirle a la gerencia que sus planes no son realistas y pedir ayuda lo antes posible.

Hay numerosas clases de aprendizaje en línea en ML disponibles en la web: un Google rápido le dará la oportunidad de tomar clases de Stanford, MIT y otras universidades de primer nivel. Y eso es muy valioso para entender la terminología. Pero le recomendaría que se involucre en la programación de inmediato. ¿Estás haciendo análisis de Big Data, análisis de video o imagen, reconocimiento de voz, etc.? Concéntrese en su área de necesidad y use R o Python para comenzar ejercicios triviales de inmediato. Descubrirá que los algoritmos que su equipo está desarrollando serán interfaces y manipulaciones basadas en datos con los que ya está familiarizado, alimentados en un motor de ML que no tiene que escribir, pero que puede que tenga que entrenar. Cuanto antes aprenda el * arte * de entrenar un motor, más productivo será.

Recientemente realicé un seminario web sobre Machine Learning que cubre lo siguiente:

1) Conceptos básicos e introducción al aprendizaje automático

2) Python para ML, Computación científica

3) Algoritmo KNN y trabajo de proyecto (Hands On Coding)

Puedes ver este video y obtener un buen arranque.

Mejor

Prateek

Como estudiante de Machine Learning, me gustaría recomendar los siguientes cursos:

1. Curso de introducción al aprendizaje automático de Andrew NG en Coursera: – Este curso está considerado como uno de los mejores cursos de aprendizaje automático disponibles en línea. Este curso explota el aspecto matemático de Machne Learning y le brinda conocimiento desde cero. Pero los lenguajes de programación utilizados en este curso son Matlab y Octave con los que no me siento cómodo codificando. Pero para el aspecto teórico, este curso es el mejor.
2. Introducción de Udacity al aprendizaje automático o aprendizaje profundo: – Estos cursos son para aquellos que solo quieren hacer ML sin profundizar en el tema mediante el uso de bibliotecas de ML como ScikitLearn y Tensorflow. Estos cursos también brindan una experiencia práctica práctica en conjuntos de datos reales como enron dataset, etc. El lenguaje de programación utilizado es python
3. Canal de youtube de Siraj Raval: – Este canal le brinda el conocimiento práctico de una manera muy fácil de entender. Da desafíos semanales y también proporciona enlaces a otros recursos útiles. Utiliza principalmente Python para implementar algoritmos de ML.

Mi sugerencia sería seguir el canal de youtube de Siraj Raval y cualquiera de los cursos de udacity y coursera, dependiendo de su necesidad de conocimiento teórico o práctico.

Consulta los cursos en Coursera y Udacity.

Aprendizaje automático | Udacity

Aprendizaje automático – Universidad de Stanford | Coursera

Grandes introducciones! Puede complementar esos cursos con otros cursos sobre Probabilidad y si desea jugar con algunos algoritmos, puede usar una herramienta académica llamada Weka, es fácil de instalar y jugar.

Minería de datos con software de aprendizaje automático de código abierto en Java

Su punto de partida básico debe ser comprender que ML no es una disciplina de programación sino matemática. Seguramente habría mucha programación involucrada, pero los aspectos técnicos de la programación de ML no consisten en hacer malabares con los datos, sino en usar y aplicar varias fórmulas y métodos matemáticos.

Sin embargo, tengo un objetivo / sarcástico si quieres, comentar. No puedes ser programadores fuertes sin (“none” y “any” son palabras clave que estás usando) educación matemática, conocimiento, etc. Te estás perdiendo algo allí. Espero, por su bien, que usted como equipo sepa cosas de las que no está al tanto, u olvidó que las aprendió.

“Matemáticas discretas y sus aplicaciones” de Kenneth H. Rosen de McGraw Hill y “Estadísticas de negocios y economía” de Prem S. Mann de John Wiley & Sons son buenos libros para autoaprendizaje como introducción a las teorías básicas de matemática y estadística detrás de ML.

Hay algunas recomendaciones muy buenas en otras respuestas, incluido el curso de Andrew Ng sobre Coursera, pero si sus matemáticas y estadísticas son realmente débiles, primero debe bombear algo de hierro en ese frente.

De verdad me gusta:

Obispo para una visión general del campo (el libro es viejo)

Hastie Tibshrani, Friedman (aprendizaje estadístico)

Goodfellow, Bengio, Courville (aprendizaje profundo pero tiene una visión general de alto nivel de ML en los primeros capítulos)

De acuerdo con usted. La mayoría de los trabajos de investigación rebotarán en tu cabeza. Podrías comenzar aquí.

Programación de Inteligencia Colectiva (libro) – Mejor recurso si es programador.

Más lectura en https://www.metacademy.org/

¡Todo lo mejor!

Hay muchos videos en línea disponibles, pero para comenzar desde el nivel base, te sugeriré Coursera

Fundamentos de aprendizaje automático: un enfoque de estudio de caso – Universidad de Washington | Coursera

El curso mencionado anteriormente le dará una ventaja en ML y probablemente pueda ir a los otros cursos relevantes del curso, como las estadísticas básicas.

Descarga gratuita de libros electrónicos de TI con fines educativos y sirajología en YouTube.

Aquí hay una muy buena introducción a los conceptos básicos de ML:

Aprendizaje automático – Desarrolladores de Google – YouTube

¡Que te diviertas!

Sugeriría ver cómo iniciar AI / ML / DL aquí. ¡¡Buena suerte!!