Hay un montón de ellos por ahí.
Aquí está mi problema con ellos.
- La gran mayoría de ellos están en Python. Si no conoce bien Python, es fácil sentirse frustrado rápidamente.
- La mayoría no enseña la disputa de datos.
- La mayoría de los ejemplos de blogs e incluso cursos están por todas partes. ¿Por dónde empiezas realmente?
El aprendizaje automático es más disputa de datos que modelado.
- ¿Es aconsejable automatizar el trabajo del presidente de la Fed con un software de aprendizaje automático dado que sus decisiones se basan principalmente en datos?
- Si quiero desarrollar una carrera en aprendizaje automático e inteligencia artificial, ¿debería comenzar con chatbots?
- ¿Los científicos de datos y el ingeniero de aprendizaje automático necesitan saber implementar algoritmos ML / DL desde cero o simplemente usar las bibliotecas existentes en producción?
- ¿Hay una buena lista de ejemplos de cómo los problemas genéricos se convierten a MapReduce?
- ¿Cómo funciona la detección de rostros?
En el espacio aplicado (mundo real), el 99% de todos los modelos están supervisados. Esto significa que necesitamos un conjunto de datos bien limpios o los resultados de su modelo probablemente apestarán.
Si desea un enfoque más estructurado, eche un vistazo a esta foto:
Si comienza en la parte inferior y se enfoca en aprender los aspectos centrales de Python, luego la disputa de datos, el paso 2 y luego la construcción de modelos será mucho más fácil.
Comience aquí: el curso completo de Python para ingenieros de aprendizaje automático
El curso es gratuito, así que no tienes nada que perder.
Le mostrará lo que hacen los ingenieros de aprendizaje automático todo el día y también lo guiará a través de un modelo tradicional y un modelo de aprendizaje profundo.