Aquí hay algunas clases de estadísticas de Harvard que serán más relevantes si desea comprender más profundamente la teoría detrás del aprendizaje estadístico / aprendizaje automático.
- Stat 121 / CS 109 (Data Science) : si bien esta es una clase mucho más orientada a la práctica que una clase orientada teóricamente, esta clase es imprescindible si desea poder implementar una gran variedad de ciencia / estadística de datos / técnicas de aprendizaje automático en grandes conjuntos de datos. La implementación de estas técnicas utilizando herramientas comunes de Python podría ayudarlo más en sus técnicas de comprensión general que aprender la teoría detrás de ellas.
- Stat 110 (Introducción a la probabilidad) : esta clase le brinda una intuición extremadamente buena detrás de los conceptos de probabilidad . Diría que esta es una de las mejores clases en Harvard, debido al tiempo y al esfuerzo que Joe Blitzstein puso en el desarrollo del plan de estudios, invirtiendo en una gran cantidad de recursos para sus estudiantes y contratando y capacitando a maestros de enseñanza.
- Stat 111 (Introducción a la inferencia estadística) : esta clase le enseña la teoría detrás de la inferencia estadística y le dará una gran ventaja en clases posteriores que involucran la regla de Bayes, MLE y distribuciones posteriores.
- Stat 149 (Modelos lineales generalizados) : esta clase enseña la teoría y la aplicación de modelos lineales generalizados , que incluyen técnicas comunes de aprendizaje estadístico, como árboles de decisión y diversas formas de regresión. Espere una buena cantidad de teoría en esta clase, con un poco de aplicación.
- Stat 139 (Modelos lineales) : esta clase es un requisito previo para Stat 149. Aprenderá los conceptos básicos del modelado estadístico.
- Stat 104 (Estadísticas básicas de introducción) : esta clase es equivalente a las estadísticas AP en la escuela secundaria. Es un conocimiento útil y una gran clase para estudiantes completamente nuevos en estadística, pero más orientados a una audiencia general que aquellos que desean especializarse en aprendizaje automático de estadística.
- Stat 220 (Inferencia Bayesiana) : no estoy seguro de cómo es esta clase ahora desde que la tomé con Andrew Gelman, pero aprende mucho sobre la inferencia bayesiana, incluidas las técnicas anteriores, posteriores y de muestreo aquí.
- CS181 (Aprendizaje automático) : esta no es una clase de departamento de estadística, pero es absolutamente necesaria si desea ingresar al Aprendizaje estadístico / Aprendizaje automático. Pruebe CS281 también si desea una versión más avanzada (esta es la versión para estudiantes de posgrado).
Usted mencionó en sus detalles que no tiene muchos antecedentes matemáticos. Recomiendo encarecidamente revisar o tomar clases en:
- Matemáticas 21a (cálculo multivariable)
- Matemáticas 21b o Matemáticas 23a / b (Álgebra lineal / Álgebra matricial)
- AM 121 (Optimización)
Estas clases de matemáticas / aplicadas te ayudarán mucho.
- ¿Cuál es la forma correcta de calcular la similitud de coseno entre una consulta y un documento? Cuando calculo la magnitud del documento, ¿sumo los cuadrados de todos los términos del documento o solo los de la consulta?
- ¿ISRO utiliza una inteligencia artificial?
- Cómo proceder si no puedo desempeñarme mejor en un conjunto de datos en particular cuando intento ajustar un modelo de aprendizaje automático
- ¿Cuál es el contenedor y el método incrustado? ¿Cómo se realiza la selección de funciones usándola?
- Aprendizaje automático: Alex Casalboni: ¿Cuál es la mejor herramienta de ML para desenfocar caras (los tres tipos de visión izquierda, derecha y frontal) y placas en las imágenes?
Tengo otra respuesta relevante en ¿Qué clases debo tomar en Harvard si quiero ser un científico de datos?
Si no tiene acceso a los cursos de Harvard, consulte algunas preguntas relacionadas como ¿Cómo aprendo el aprendizaje automático? o ¿Cómo puedo convertirme en un científico de datos? en lugar de enlaces a recursos disponibles de forma gratuita en línea.
