¿Qué documentos recomienda para que estudie un principiante de Machine Learning?

Los documentos están dirigidos a investigadores de ML y la mayoría de las veces tienen un valor educativo próximo a cero. Lo que está buscando es una forma de saltar rápidamente “de cero a uno”: comprender un nuevo algoritmo o corregir un error.

La lectura de documentos no funcionó para mí como fuente de conocimiento inicial. La codificación de partes importantes desde cero y la lectura de documentos API lo hicieron. Si quieres hacer aprendizaje automático, hazlo: escribe código y prueba cosas.

Tomar cursos y enfocarse demasiado en los libros puede distraerlo de la programación, encontrará el equilibrio correcto entre lectura y escritura (creo que para mí es algo así como 20/80). Pero los documentos consumen mucho más tiempo y, francamente, no tienen un gran impacto en sus capacidades a largo plazo.

Contestaré esto basado en mi experiencia personal. Fui yo quien hizo la pregunta y he pasado bastante tiempo deambulando por Internet leyendo publicaciones de blog y documentos:

• 1. songrotek / Deep-Learning-Papers-Reading-Roadmap
  La descripción dice:
  Si es un recién llegado al área de Aprendizaje profundo, la primera pregunta que puede tener es “¿De qué papel debo comenzar a leer?”

  ¡Aquí hay una hoja de ruta de lectura de documentos de Deep Learning!
  La hoja de ruta se construye de acuerdo con las siguientes cuatro pautas:

1. Del esquema al detalle
2. De lo antiguo a lo último
3. de genéricos a áreas específicas
4. centrarse en el estado del arte

• 2. papeles de terryum / awesome-deep-learning
  La descripción dice:
  Una lista curada de los documentos de aprendizaje profundo más citados (desde 2010)

  Creo que existen documentos clásicos de aprendizaje profundo que vale la pena leer independientemente de sus aplicaciones. En lugar de proporcionar una cantidad abrumadora de artículos, me gustaría proporcionar una lista curada de los documentos clásicos de aprendizaje profundo que pueden considerarse lecturas obligatorias en alguna área.

• 3. sbrugman / deep-learning-papers
  La descripción dice:
  Artículos sobre aprendizaje profundo ordenados por tarea, fecha. Los artículos actuales de última generación están etiquetados.

Yo personalmente prefiero el primero. Aparte de ellos:

• el periódico de la mañana proporciona algunas buenas ideas sobre excelentes documentos.
• ShortScience.org – ¡Haciendo la ciencia accesible! proporciona resúmenes de numerosos artículos.
• dennybritz / deeplearning-papernotes proporciona notas sobre trabajos recientes. (Él es quien escribe las increíbles publicaciones de blog en WildML)

Gracias usuario de Quora por A2A.

Imagen de referencia: crear un negocio en torno a las API de Machine Learning

En primer lugar, le recomendé que comenzara con los tutoriales de libros / videos, es el método más fácil de aprender (no soy optimista para comenzar con Papers). Aquí hay una pequeña lista de cursos y libros con los que puede comenzar:

• Aprendizaje automático – Universidad de Stanford | Coursera (curso en línea)
• Aprendizaje automático práctico – Universidad Johns Hopkins | Coursera
• Aprendizaje automático | Coursera (Especialización en Aprendizaje Automático: Universidad de Washington)
• Aprendizaje automático (libro)
• Aprendizaje automático para hackers (libro)
• Aprendizaje automático: una perspectiva algorítmica (libro)
• Programación de la inteligencia colectiva: creación de aplicaciones inteligentes de Web 2.0 (libro)

Si realmente necesitas papeles

• La disciplina del aprendizaje automático (R.Paper)
• Algunas cosas útiles que debe saber sobre el aprendizaje automático (R.paper)

Espero que ayude 🙂

Modelado estadístico: las dos culturas

No recomiendo documentos reales con ideas novedosas para un principiante de Machine Learning. Les recomiendo un libro de texto y / o una clase (con un buen maestro) que les enseñe los fundamentos. Los documentos son difíciles de leer y digerir incluso para personas con experiencia en ML. Son un lugar inapropiado para comenzar.