Los fundamentos para aprender ML: Álgebra lineal, cálculo multivariante y buenos fundamentos en probabilidad y estadística. En el lado CS: Algoritmos y estructuras de datos.
Eso debería ser suficiente para saber cómo funcionan la mayoría de los enfoques de LD. En la práctica, usaría marcos y / o servicios web que le brindan algoritmos ML para entrenar sus modelos en función de las características que desea proporcionar en sus aplicaciones web. Algunas personas usan esas herramientas sin ningún conocimiento real de cómo funciona ML (sin estudiar lo que dije en el primer párrafo) y el resultado es un bajo rendimiento durante el entrenamiento porque no saben cómo se lleva a cabo el proceso de entrenamiento.
Entonces, estudie los fundamentos, luego aprenda cómo funcionan los algoritmos de ML y luego aprenda cómo usar algunas bibliotecas existentes, como theano, tensorflow, scikit-learn, etc.
- ¿Qué es la optimización submodular?
- ¿Qué opinas de la exageración actual sobre Deep Learning?
- ¿Cuál es la explicación de la fórmula de compensación de Bias Variance?
- ¿Cuáles son algunas de las ventajas del aprendizaje por diferencia temporal y cómo se puede mejorar?
- ¿Qué es el muestreo de control de casos y por qué necesitamos corregir el término constante en regresión logística (aprendizaje automático)?