¿De dónde debo aprender los algoritmos de aprendizaje automático?

Si está buscando un buen curso introductorio en línea para el aprendizaje automático, le recomendaría el curso de aprendizaje automático de Andrew Ng | Coursera. Lo tomé yo mismo y, aunque requiere algunos conocimientos matemáticos, no es muy matemáticamente intensivo, lo que le permite comprender los conceptos e ideas principales de los algoritmos y obtener experiencia práctica con ejemplos aplicados.

Si se siente cómodo con los temas de ese curso, o desea más profundidad matemática, le recomendaría el libro Reconocimiento de patrones y aprendizaje automático de Christopher Bishop. Proporciona un conjunto más amplio de algoritmos y una mejor explicación matemática de cómo y por qué funcionan.

¿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

Puedes aprender en línea Hay varios cursos en línea, te sugiero los mejores cursos en línea de aprendizaje automático

Machine Learning AZ ™: Python práctico y R en ciencia de datos

Aquí puedes aprender

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

su curso es divertido y emocionante, pero al mismo tiempo nos sumergimos 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.

Todo lo mejor .

Cursos relevantes

1. Ciencia de datos y aprendizaje automático con Python: ¡manos a la obra!
2. Bootcamp de ciencia de datos y aprendizaje automático con R

Recomendaría comenzar con una explicación ELI5 , ya que son muy fáciles y usted capta de qué se trata el algoritmo.

Simplemente buscar en Google el tema debería darle algunos buenos recursos para el aprendizaje, como artículos de Wikipedia, publicaciones de blog o documentos.

Esperaría con los papeles al principio, ya que involucran muchas fórmulas matemáticas que abruman a los principiantes.

Utilice diferentes medios como Blogs y Youtube para obtener un conocimiento amplio y luego pasar a los detalles. También puedo recomendar escribir el algoritmo desde cero, lo que le dará una mejor idea de cómo funcionan realmente las cosas debajo del capó.

Y, por supuesto, si también está interesado en crear aplicaciones web, puede consultar mi serie sobre aplicaciones web de aprendizaje automático con Django, donde cubro los principales algoritmos que debe conocer.

Buena suerte 😉

Hay varios lugares en línea donde uno puede aprender Algoritmos de aprendizaje automático en su propio ritmo y tiempo. CourseRa, Udacity, Udemy son los pocos nombres a mencionar. Sin embargo, un sitio web que más me gusta es “MachineLearningMastery.com”. Lo encontré muy útil e informativo especialmente para aquellos que quieren comenzar en ML. Los tutoriales son de maneras extremadamente detalladas que cualquier laico puede entender muy bien.

Elija cualquier tema para comenzar y verá:

1. Fondo completo
2. introducción detallada
3. Cada paso explicado para que alguien entienda
4. Lógica simple

Recomiendo totalmente al principiante.

Esto puede ser una ayuda rápida.

https://www.udemy.com/machinelea… .

Siempre que tenga una base matemática suficiente (estadística, cálculo, álgebra lineal), le sugiero que lea detenidamente los documentos a los que me refiero en mi introducción a los métodos comunes en la práctica de hoy: https://www.slideshare.net/Colle …

Leer los documentos le permite comprender las peculiaridades de un algoritmo y en qué tipo de datos puede fallar.

Hay muchos recursos en línea para aprender el aprendizaje automático. Ya he respondido esta pregunta hecha por otro usuario de quora. Puedes leerlo desde allí

La respuesta de Sukesh Kumar Ranjan a ¿Cómo aprendo el aprendizaje automático?

Aprendizaje automático, IA y entrenamiento de aprendizaje profundo

El enlace anterior puede ayudarlo, puede enviarme un correo electrónico a [email protected] para obtener más detalles y ofertas sobre los cursos.

Primero aprenda la estructura de datos, luego aprenda el algoritmo y luego el algoritmo avanzado …coreman es la biblia de los algos …