He completado la clase Coursera de Andrew Ng sobre aprendizaje automático. ¿Qué debería hacer después? ¿Qué puedo hacer a continuación?

La clase de Ng ofrece una base bastante buena, pero para sobresalir en el aprendizaje automático es necesario construir agresivamente además de eso. ¡Sigue estudiando por ahora! Aquí hay algunas cosas que hacer:

– Comprueba tu curso de aprendizaje automático de pregrado de Andrew Ng en Stanford. Echa un vistazo a las conferencias, haz algunas tareas / exámenes.

– Encontré que las conferencias de Mathmonk (solo Google él) eran geniales y fáciles de entender.

– Mira otros cursos de Coursera / edX / Udacity. Ignore las cosas de Big Data por ahora, concéntrese en el aprendizaje automático puro: el aprendizaje de refuerzo de Udacity, los modelos gráficos probabilísticos de Coursera, el procesamiento del lenguaje natural

– Eche un vistazo a los cursos de aprendizaje profundo de Stanford (para nlp e imágenes).

– Compre un par de buenos libros sobre ML y estudíelos: “Pattern Recognition and Machine Learning” de Bishop es un clásico.

– Conviértase en un usuario competente de una biblioteca de aprendizaje automático popular y útil (recomendaría scikit-learn). Intente realizar los proyectos de extremo a extremo (análisis de datos, visualización, limpieza, aprendizaje automático con ajuste de hiperparámetros, evaluación de diferentes modelos).

– Obtenga datos reales de Kaggle, por ejemplo, de sus competiciones de conocimiento, ¡vea cómo lo hace contra la competencia!

[Estoy asumiendo que usted, o cualquiera que lea esta respuesta quisiera capitalizar su experiencia en aprendizaje automático para trabajar en problemas de datos del mundo real. Por supuesto, eso puede no ser aplicable para usted y puede haber buenas razones para ello (por ejemplo, investigación). Si ese es el caso, consulte otras respuestas.]

La fuerza de la clase Coursera de Andrew Ng es que cubre el concepto de aprendizaje automático que es extremadamente útil tener en la parte posterior de la cabeza cuando estás haciendo análisis. La respuesta de Abhishek Ghose debería permitirle profundizar en los conceptos que Ng cubre en Coursera. No cubrir el lado matemático de los algoritmos de aprendizaje automático y tratarlos completamente como una caja negra es ciertamente un área peligrosa en la que estar.

Sin embargo, creo que la ciencia de datos CS109 de Harvard cubre (al menos en mayor medida) el “conocimiento de la calle” de la ciencia de datos. Este “conocimiento de la calle” es esencial en el mundo real porque los problemas no vienen en estructuras ni tienen un objetivo específico para que un analista pueda simplemente aplicarle un algoritmo de aprendizaje automático (la mayoría de las veces). Las habilidades clave que CS109 aborda sobre los algoritmos de aprendizaje automático son el preprocesamiento y la visualización, que son esenciales para los científicos de datos y, en mi opinión, los distingue de * algunos textos que faltan para evitar controversias *. Además, puedes hacer las tareas en Python, que se está convirtiendo cada vez más en el lenguaje más popular del dominio.

Otro curso en línea que encuentro prometedor y exhaustivo también es de Coursera, “Introducción a la ciencia de datos” por Bill Howe [https://www.coursera.org/course/…] como señaló Toshi Takeuchi. Este es definitivamente un buen curso para seguir si está pensando en “big data” y pensando en computación / escalado en el futuro. Me gusta este curso porque no limita el aprendizaje de la ciencia de datos a R / python / octava (aunque hay asignaciones en R, python y SQL). Creo que la filosofía detrás del curso es que la tecnología cambiará, pero es importante conocer los principios subyacentes. Sé que muchos otros cursos también tienen esta filosofía, pero se aplica no solo a los algoritmos sino también al rendimiento en el curso de Howe. No hay un curso próximo a partir de ahora, pero si se inscribe en la (única) sesión anterior, debe tener acceso a las conferencias y tareas.

¡Felicidades!

Siga estos 6 pasos a continuación ahora.

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.) Introducción a la Inteligencia Artificial por el Prof. Deepak Khemani IIT Madras

http://nptel.ac.in/courses/10610 …

e.) “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.

En cualquier caso, aparte de los algoritmos, también es fundamental saber cómo configurar sus datos (selección de características, transformación y compresión) y cómo evaluar sus modelos. Tal vez, para empezar, podría consultar nuestro Aprendizaje automático en el ejercicio de instrucción scikit-learn en SciPy 2016. Se condensa una gran parte de los rudimentos al presentar la biblioteca scikit-learn, que puede resultar útil para la ejecución y otros exámenes. :

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.

Para aprender ML en 90 días, haga clic aquí.

Felicitaciones por su reciente logro y bienvenido al mundo de la ciencia de datos.

Ahora que ha completado el curso, conoce la parte teórica del mismo. ¿Te sientes cómodo al aplicar algunos de esos conceptos en problemas de la vida real? Si no es así, tome el Nano Grado de aprendizaje automático de Udacity. Los proyectos del curso le brindarán esa experiencia en un nivel muy pequeño.

El siguiente objetivo es encontrar respuestas a algunas preguntas muy básicas y algunas de ellas se mencionan en las respuestas anteriores.

1. ¿Quieres ser un investigador de aprendizaje automático o un científico de datos?
2. Si desea investigar, ¿está interesado en el aprendizaje teórico de máquinas o en problemas orientados a la aplicación?
3. ¿En qué área específica del aprendizaje automático desea centrarse? Por ejemplo, aprendizaje profundo, minería de gráficos, minería de conjuntos de elementos, etc.
4. ¿En qué dominio desea aplicar sus algoritmos de aprendizaje automático? por ejemplo, bioinformática, ciencias ambientales, desarrollo de negocios, etc.
5. Si quieres convertirte en un científico de datos, ¿en cuántos grandes datos quieres involucrarte? Big data y machine learning son como hermanos.

Pero confía en mí, estas respuestas están ocultas en lo profundo de tu conciencia. Tendrás que extraerlos. Eso llevará al menos un año de trabajo. Lea los blogs de aprendizaje automático, siga a los científicos de datos en Linkedin, siga las preguntas de aprendizaje automático en Quora, participe en competencias de kaggle. Una vez que tenga las respuestas a todas las preguntas anteriores, simplemente ensucie sus manos en competencias destacadas en Kaggle, trabaje en datos públicos, ayude a las organizaciones con sus datos, ayude a ser científicos de datos.

Espero que esto ayude

1-Piensa en un problema que siempre quisiste resolver.

2- ENTONCES verifique el estado del arte de las soluciones existentes. Para el estado del arte, puede consultar documentos y publicaciones que ya proponen soluciones para su problema. Si cree que su forma de resolver el problema podría ser mejor, retómelo.

3- Piense en los datos que puede usar / podrían ser correctos para resolver su problema. Es mejor si tiene más tipos de datos y muchos datos.

4- Prueba diferentes algoritmos de aprendizaje automático para resolverlo. Muchas veces dan soluciones similares, por ejemplo, agrupación y PCA, agrupación espectral, etc.

5- Valida tu solución. Para eso necesita datos de verdad, así como la validación cruzada de su método.

Lo último que quiero señalar es este documento que sigue el mismo enfoque y trata de resolver el problema de la detección de eventos. Fusión de datos para la detección de eventos de la vida urbana

Andrew’s Course le dio la oportunidad de obtener intuiciones sobre el aprendizaje automático al darle la oportunidad de codificar la parte clave de los algoritmos esenciales. Por el contrario, en algunos cursos puede conectar su conjunto de datos en bibliotecas preempaquetadas sin comprender cómo funciona.

Dicho esto, el curso de Andrew omitió otros aspectos del aprendizaje automático, como ¿cómo prepara su conjunto de datos? ¿Cómo explora sus datos y decide qué hacer con ellos? ¿Cómo comunicas el resultado? ¿Cómo convierte su modelo en un producto de datos? Si está más interesado en la investigación, probablemente necesite más matemática que la proporcionada en la clase de Andrew.

Para ver cuánto comprende el análisis exploratorio, intente analizar este ejemplo. Comenzando con las competiciones de ciencia de datos de Kaggle

Lo que encontré útil fue el curso de “Análisis de datos” de Jeff Leek, que cubrió el análisis exploratorio de datos, y la “Introducción a la ciencia de datos” de Bill Howe, que cubrió los problemas de plomería de datos.

Echa un vistazo a este maravilloso sitio – Metacademia

Específicamente, me gustaría que redirija a esta página Level-Up Your Machine Learning, aborda adecuadamente la pregunta:

¿Qué debo hacer si quiero mejorar en el aprendizaje automático, pero no sé qué quiero aprender?

Navegar a través de hojas de ruta, guías de cursos y conceptos. Lo bueno de este proyecto es que tiene todos los recursos de aprendizaje automático para aprender en un solo lugar.

Desde un punto de vista más práctico: descubra qué tipo de aplicaciones de ML existen; este enlace de Quora te ayudará mucho. El curso de Data Science & ML essentials de Microsoft en edX ofrece más información sobre los problemas prácticos planteados por Toshi, le permite ensuciarse las manos en R o Python utilizando AzureML studio. Además, pruebe TensorFlow o DMTK. ¡RapidMiner está ahí para los algoritmos de ML plug and play, sin código!

Consulte también estos Aprendizaje automático para análisis de texto, API de predicción – Google Cloud Platform, uClassify – Clasificación de texto libre

Andrew Ng’s proporciona una base sólida de los conceptos básicos. El siguiente paso es aplicarlos en algunos problemas de aprendizaje automático.

• Kaggle es un buen lugar para comenzar. Intenta resolver el famoso problema Titanic Titanic: Machine Learning from Disaster y lee las diferentes soluciones del problema Titanic, que te ayudarán a obtener una nueva perspectiva del desafío.
• Elija un par de cursos en Coursera, que lo ayudarán a tener una comprensión práctica del tema. por ejemplo, ciencia de datos aplicados por la Universidad de Michigan, especialización en aprendizaje automático por la Universidad de Washington
• Use Learn to code para aprender Python. Los tutoriales son excelentes para principiantes.

A medida que se sienta cómodo con Python y Machine Learning, comience a participar en competencias de Kaggle.

En este momento, debe pensar en sus preferencias:

• ¿Investigación vs desarrollo?
• ¿Trabaja en el área de Machine Learning en sí? O un área de aplicación para ML como visión artificial, procesamiento de lenguaje natural, reconocimiento de audio … etc.

En ambas direcciones, debe aplicar algo de lo que aprendió. Puede obtener un problema de Kaggle Competition y jugar con él. O puede tener más diversión / esfuerzo y trabajar en un área de aplicación como Computer Vision.

Trabajar en el área de aprendizaje automático en sí es casi una dirección de investigación. Necesita aprender mucho más y demostrar más de los algoritmos y direcciones en ML. Hay muchos libros que puede considerar, como Pattern Recognition y ML for Bishop. Hay varios cursos como Andrew NG Standford one o Learning From Data para el profesor Yaser S. Abu-Mostafa. En general, se necesita mucho esfuerzo y más antecedentes matemáticos.

Aplicar ML es menos dolor de cabeza, al menos en los primeros años. Simplemente vaya directamente a este campo, aprenda sus conceptos básicos, elija un problema y comience a aplicar ML.

Para Computer Vision, este enlace y su menú pueden ser útiles. Primeros pasos en la investigación de la visión por computadora. Stanford CS231 demostrará CNNs, un componente principal de vanguardia que no tiene visión.

Echa un vistazo a la especialización de ML de la Universidad de Washington en Coursera. Carlos Guestrin y Emily Fox, que son los profesores de Amazon de ML en UW son los instructores. Lo mejor es que las tareas deben enviarse en forma de cuadernos Jupyter. Es una especialización de 6 cursos y el primero es un curso básico. Las posteriores se ocupan de un área específica como Regresión, Clasificación, Aprendizaje profundo, etc., que culmina en un proyecto Capstone. Aprendizaje automático | Coursera

He completado la regresión y los cursos básicos y lo he disfrutado. Sin embargo, es un poco menos “profundo” en comparación con el curso de Andrew Ng, pero dado que usa Python en lugar de Octave, es mucho más relevante en cuanto a codificación. Es posible que a algunas personas no les guste el énfasis en usar Graphlab de Dato (compañía de Carlos Guestrin) sobre Scikit-learn, pero esa es una preferencia personal, uno puede usar cualquiera de esos.

Cree su cartera de proyectos en Machine Learning.

Prueba concursos de Kaggle sobre aprendizaje automático. Vea cómo otros han usado los Algoritmos y el razonamiento detrás de su enfoque.

En más proyectos en los que trabaje, su capacidad de juicio para hacer un intercambio entre precisión versus confiabilidad, simplicidad versus usabilidad mejora.

Además, puede probar el curso de Aprendizaje automático práctico de JHU. Han hecho un trabajo decente explicando el aprendizaje automático usando el paquete R ‘Caret’.

La mejor prueba de tu aprendizaje es, párate frente a una pizarra blanca y trata de explicar los conceptos a alguien nuevo en el campo, a un pizzero, a tu sobrina de 12 años o a tu abuela 🙂

¡Espero que esto ayude!

Básicamente, Udacity, edureka, Coursera.

Todos ofrecen cursos sobre ciencia de datos, aprendizaje automático.

Cursos donde aprende de videos en línea que han sido proporcionados por expertos y realizan pocas tareas. Después de completar los videos y el plan de estudios, se le proporcionará asistencia laboral. Es decir, se han vinculado con varias marcas de empresas que vienen a una feria de trabajo. También se le otorgará la certificación para el mismo.

Usted junto con xxxxx no de estudiantes que hicieron lo mismo que usted también serán llamados.

Las empresas seleccionarán a los candidatos adecuados según su currículum y cómo verifican su conocimiento práctico creíble.

Ahora la pregunta permanece. ¿Tienes lo necesario para descifrar una entrevista y ser seleccionado recién salido de la universidad / sin experiencia previa en el campo inteligente, donde xxxxx ninguna de las personas ha hecho lo mismo que tú?

Para su información, no es necesario que las empresas contraten específicamente a personas para todos o incluso a granel, pueden venir y seleccionar algunos candidatos e irse. Por lo general lo que pasa.

Su probabilidad de ser contratado: 1 / xxxxx

Donde xxxxx: tener el mismo o mejor conocimiento que tú

Ahora puedes juzgar cómo te contratarán.

Introspecta tu pasado.

Has estado en la universidad, has estado en colegios, instituciones, has reunido certificaciones, los títulos son buenos si no pueden contratarte.

Ahora llegando a la solución:

edWisor | Obtener habilidades Obtener contratado

Una plataforma comparativamente pequeña, pero también asegura el trabajo con paquetes de 4lpa a 7lpa . Para la carrera profesional de Fresher en desarrollo web y ciencia de datos.

Nota: solo es válido para asientos limitados; de lo contrario, también brindan asistencia .

Proporcionan el desafío de que si no lo contratan después de completar el plan de estudios adecuadamente, recibirá su tarifa de inscripción nuevamente.

Hurra! ¿Qué más se quiere que garantía de devolución de dinero?

Mire las conferencias de demostración sin costo también

Eso le dará una vista previa del plan de estudios.

Salud !

Feliz aprendizaje

Gracias por preguntar. Todavía no he tomado ningún curso en particular sobre ML. Gran parte del ML no es sexy cuando tengo que preparar datos y analizarlos, almacenarlos, etc.

Sugiero trabajar con más muestras y obtener una idea de “Qué usar y cuándo usar la situación”. Una vez que te acostumbres, puedes salir a hacer casi cualquier cosa. Por ejemplo, cualquier archivo de registro del servidor. Son excelentes para probar datos y probar todo.

Hay grupos que trabajan en proyectos de código abierto para aplicar el aprendizaje automático. Desafortunadamente, la gente a menudo confunde los dos en preguntas como esta ¿Cuáles son los proyectos de código abierto más interesantes en inteligencia artificial y aprendizaje automático? ¿A qué proyectos deberían prestar atención y estudiar las personas? Las herramientas están bien, pero para aplicarlas puedes encontrar tales proyectos y contribuir.

Comience a buscar ofertas de trabajo, algunas tienen detalles sobre en qué están trabajando. Investigue un poco sobre qué problemas se están resolviendo y cómo. intenta hacer mini proyectos que hagan algo similar y resuelvan un pequeño problema.

Más o menos mi consejo sobre todo tipo de viaje de aprendizaje de software.

Bueno, estoy en una condición similar y lo que estoy haciendo actualmente es:

1. Tome este curso ofrecido por Caltech gratis: (Aprendiendo de los datos – Curso en línea) {Las conferencias están en YouTube y la iteración comienza el 8 de enero)

2. Lea el libro Reconocimiento de patrones y aprendizaje automático (CM Bishop) que ofrece algunas intuiciones matemáticas.

No puedes equivocarte con CS231n [1] ofrecido por Stanford, enseñado por los estudiantes graduados Andrej y Justin. Te presenta el estado actual del arte en visión por computadora.

[1] CS231n: Redes neuronales convolucionales para el reconocimiento visual

¡Felicidades … has superado el primer obstáculo para convertirte en un Científico de Datos!

Ahora, las conferencias de Andrew Ng son bastante básicas y solo te dan una idea básica sobre algunos conocimientos básicos y herramientas utilizadas en ML.

OMI, debes ir a YouTube y buscar las conferencias de Nando de Frietas. Hay dos volúmenes: Básico y Avanzado. Comience con Basic one y construya sobre los conceptos y conocimientos que ya ha aprendido.

¡Feliz aprendizaje!

Hola,

Puede comenzar a trabajar en un buen conjunto de datos y aplicar sus conocimientos. Muchos conjuntos de datos están disponibles gratuitamente, uno de ellos es el Depósito de aprendizaje automático UCI: conjuntos de datos. También comience a aprender nuevas tecnologías y lenguajes como R y python. Intente aplicar conceptos de redes neuronales en el conjunto de datos utilizando el software matlab o python.

El curso de Andrew Ng es una introducción increíble. Después de terminar el curso, tuve una pregunta similar y me pregunté qué seguiría. Mi consejo. Aprenda lo más posible sobre software / paquetes de aprendizaje automático y tecnología. Aprenda un lenguaje como python o R y explore los conjuntos de datos disponibles públicamente para usar las técnicas aprendidas y observe cómo funcionan en datos de la vida real. Aprenda a ajustar los hiperparámetros del modelo. Aprenda nuevas técnicas avanzadas como refuerzo, modelos de conjunto, aprendizaje profundo, etc.

Del propio Andrew Ng (de su AMA):

Aquí hay algunos caminos comunes:
1. Muchas personas están aplicando ML a proyectos por sí mismas en sus hogares o en sus empresas. Esto ayuda tanto con su aprendizaje como con la construcción de una cartera de proyectos de ML en su currículum (si ese es su objetivo). Si no está seguro de en qué proyectos trabajar, las competencias de Kaggle pueden ser una excelente manera de comenzar. Aunque si tienes tus propias ideas, te animo a que las sigas también. Si está buscando ideas, vea también los proyectos de aprendizaje automático que mi clase de Stanford hizo el año pasado: http://cs229.stanford.edu/projec … Siempre estoy impresionado por la creatividad y la diversidad de las ideas de los estudiantes. . ¡Espero que esto también ayude a inspirar ideas en los demás!
2. Si está interesado en una carrera en ciencia de datos, muchas personas pasan del MOOC de aprendizaje automático para tomar la especialización de Ciencia de datos. Muchos estudiantes están utilizando con éxito esta combinación para comenzar carreras de ciencias de datos. https://www.coursera.org/special …