Cómo aprender aprendizaje profundo en 2 meses

Siraj Raval publicó un video de YouTube titulado “Aprenda el aprendizaje automático en 3 meses”, donde describe un plan de estudios de 3 meses para ayudarlo a pasar de principiante a experto en aprendizaje automático.

El plan de estudios está hecho de una combinación de cursos gratuitos de MIT, EdX, Coursera, fast.ai · Hacer que las redes neuronales se enfríen nuevamente, y los propios tutoriales de Siraj y proyectos de Github ML.

Bueno, como resulta incluso con el plan de estudios presentado de esa manera, lo más difícil es apegarse a él y seguir todas las clases y proyectos. Especialmente, si como la mayoría de los estudiantes en línea, usted está solo, sin responsabilidad, sin un horario determinado, sin plazos y sin el apoyo de sus compañeros.

Así que seguí adelante y convertí todo el plan de estudios de 3 meses de Siraj en un campo de entrenamiento autónomo en línea gratuito en Mench y lo publiqué en el Youtube de Siraj para ver si a la gente le gustaba la idea de tener cierta responsabilidad. Hasta ahora, 174 estudiantes se han inscrito y el bootcamp comenzará la próxima semana.

Aquí está lo bonito que se ve el plan de estudios de Siraj en Mench:

Mench es simplemente un bot de FB Messenger que lo guía a través de la finalización de cualquier plan de estudios de aprendizaje.

Así es como funciona:

1. Todos los lunes por la mañana recibe un recordatorio para comenzar las tareas de esa semana
2. Si no ha hecho ningún trabajo y está llegando al final de la semana, Mench le enviará un recordatorio para que haga las cosas.

¡El objetivo principal es ayudarte a cumplir el plan en todo momento!

Entonces, si está buscando una forma acelerada de aprender el aprendizaje automático en su propio plan de estudios intensivo de Siraj, puede ser un buen comienzo. ¡Y si necesita ayuda para cumplir con su programa de 3 meses, Mench puede ser solo la herramienta para asegurarse de que realmente siga hasta el final!

Creé un curso (gratuito, sin anuncios) diseñado para llevarlo al punto de que puede aplicar las mejores prácticas en aprendizaje profundo después de 70 horas de estudio (suponiendo que tenga al menos un año de experiencia en codificación). Aquí está el curso: Aprendizaje profundo práctico para codificadores. El curso original se impartió en persona en la USF y contó con unos 100 participantes; casi todos los que lo comenzaron lo completaron, y muchos de los estudiantes ahora están trabajando en sus propios proyectos basados ​​en el aprendizaje profundo.

(Si está interesado en escuchar lo que pensaron los participantes anteriores, puede leer algunos de sus comentarios aquí).

Acabamos de lanzar un nuevo curso sobre Tensorflow: aplicaciones creativas de aprendizaje profundo con TensorFlow | Kadenze

A diferencia de otros cursos, este es un curso dirigido por aplicaciones, que le enseña los fundamentos de Tensorflow, así como algoritmos de vanguardia, al fomentar la exploración a través del desarrollo de pensamiento creativo y aplicaciones creativas de redes neuronales profundas. Ya hemos construido una comunidad muy fuerte con un foro activo y Slack, donde los estudiantes pueden hacerse preguntas y aprender de los enfoques de los demás sobre la tarea. Le recomiendo que pruebe este curso. Hay muchos recursos * GRANDES * para aprender Tensorflow. Pero este es el único curso completo en línea que le enseñará cómo usar Tensorflow y desarrollar su potencial creativo para comprender cómo aplicar las técnicas en la creación de redes neuronales.

Información del curso:

Este curso le presenta el aprendizaje profundo: el enfoque de vanguardia para construir algoritmos de inteligencia artificial. Cubrimos los componentes básicos del aprendizaje profundo, lo que significa, cómo funciona y desarrollamos el código necesario para construir varios algoritmos, como redes convolucionales profundas, autoencoders variacionales, redes adversas generativas y redes neuronales recurrentes. Un enfoque principal de este curso será no solo comprender cómo construir los componentes necesarios de estos algoritmos, sino también cómo aplicarlos para explorar aplicaciones creativas. Veremos cómo entrenar a una computadora para reconocer objetos en una imagen y utilizar este conocimiento para generar comportamientos nuevos e interesantes, desde comprender las similitudes y diferencias en grandes conjuntos de datos y usarlos para autoorganizarse, hasta comprender cómo generar infinitamente por completo nuevo contenido o que coincida con la estética o el contenido de otra imagen. El aprendizaje profundo ofrece un enorme potencial para aplicaciones creativas y en este curso interrogamos sobre lo que es posible. A través de aplicaciones prácticas y tareas de tarea guiadas, se espera que cree conjuntos de datos, desarrolle y entrene redes neuronales, explore sus propias colecciones de medios utilizando redes profundas existentes de última generación, sintetice nuevo contenido de algoritmos generativos y comprenda profundamente El potencial de aprendizaje para crear una estética completamente nueva y nuevas formas de interactuar con grandes cantidades de datos.

PROGRAMAR

Sesión 1: Introducción a Tensorflow
Cubriremos la importancia de los datos con algoritmos de aprendizaje profundo y máquina, los conceptos básicos de la creación de un conjunto de datos, cómo preprocesar los conjuntos de datos y luego saltar a Tensorflow, una biblioteca para crear gráficos computacionales creados por Google Research. Aprenderemos los componentes básicos de Tensorflow y veremos cómo usarlo para filtrar imágenes.

Sesión 2: Entrenando una red con Tensorflow
Veremos cómo funcionan las redes neuronales, cómo se “entrenan” y los componentes básicos del entrenamiento de una red neuronal. Luego construiremos nuestra primera red neuronal y la usaremos para una aplicación divertida de enseñar a una red neuronal cómo pintar una imagen, y explorar dicha red se puede extender para producir una estética diferente.

Sesión 3: Aprendizaje sin supervisión y supervisado
Exploramos redes neuronales profundas capaces de codificar un gran conjunto de datos, y vemos cómo podemos usar esta codificación para explorar las dimensiones “latentes” de un conjunto de datos o para generar contenido completamente nuevo. Veremos qué significa esto, cómo se pueden construir “codificadores automáticos” y aprenderemos muchas extensiones de última generación que los hacen increíblemente poderosos. También aprenderemos sobre otro tipo de modelo que realiza un aprendizaje discriminatorio y veremos cómo se puede usar para predecir las etiquetas de una imagen.

Sesión 4: Visualización y representación de alucinaciones
Esta sesión trabaja con redes de vanguardia y ve cómo entender qué “representaciones” aprenden. Veremos cómo este proceso realmente nos permite realizar algunas visualizaciones realmente divertidas, incluyendo “Deep Dream”, que puede producir fractales generativos infinitos, o “Style Net”, que nos permite combinar el contenido de una imagen y el estilo de otra para producir Estética pictórica muy diferente de forma automática.

Sesión 5: Modelos Generativos
La última sesión ofrece un avance sobre algunas de las direcciones futuras del modelado generativo, incluidos algunos modelos de vanguardia, como la “red de confrontación generativa”, y su implementación dentro de un “autoencoder variacional”, que permite algunas de las mejores codificaciones y modelado generativo de conjuntos de datos que existen actualmente. También vemos cómo comenzar a modelar el tiempo y dar memoria a las redes neuronales mediante la creación de “redes neuronales recurrentes” y vemos cómo usar dichas redes para crear texto completamente generativo.

Creo que el curso a continuación es uno de los mejores cursos disponibles en Market que puedes tomar para aprender Aprendizaje profundo en 2 meses. Veamos qué aprenderás a través de este curso.

¿Que aprenderás?

• Comprender la intuición detrás de las redes neuronales artificiales
• Aplicar redes neuronales artificiales en la práctica
• Comprender la intuición detrás de las redes neuronales convolucionales
• Aplicar redes neuronales convolucionales en la práctica
• Comprender la intuición detrás de las redes neuronales recurrentes
• Aplicar redes neuronales recurrentes en la práctica
• Comprender la intuición detrás de los mapas autoorganizados
• Aplicar mapas autoorganizados en la práctica
• Comprender la intuición detrás de las máquinas Boltzmann
• Aplicar máquinas Boltzmann en la práctica
• Comprender la intuición detrás de AutoEncoders
• Aplicar AutoEncoders en la práctica

Enlace del curso: Deep Learning AZ ™: Redes neuronales artificiales prácticas | Aprende a crear algoritmos de aprendizaje profundo en Python

Aprenda a crear algoritmos de aprendizaje profundo en Python con dos expertos en aprendizaje automático y ciencia de datos. Plantillas incluidas.

Descripción del curso Por instructor del curso

La inteligencia artificial está creciendo exponencialmente. No hay duda sobre eso. Los autos autónomos recorren millones de millas, IBM Watson está diagnosticando a los pacientes mejor que los ejércitos de médicos y AlphaGo de Google Deepmind venció al campeón mundial en Go, un juego donde la intuición juega un papel clave.

Pero cuanto más avanza la IA, más complejos se vuelven los problemas que necesita resolver. Y solo el aprendizaje profundo puede resolver problemas tan complejos y es por eso que está en el corazón de la inteligencia artificial.

– ¿Por qué Deep Learning AZ? –

Aquí hay cinco razones por las que creemos que Deep Learning AZ ™ es realmente diferente y se destaca de la multitud de otros programas de capacitación que existen:

1. ESTRUCTURA ROBUSTA

Lo primero y más importante en lo que nos enfocamos es darle al curso una estructura robusta. El aprendizaje profundo es muy amplio y complejo y para navegar por este laberinto necesitas una visión clara y global del mismo.

Es por eso que agrupamos los tutoriales en dos volúmenes, que representan las dos ramas fundamentales del aprendizaje profundo: aprendizaje profundo supervisado y aprendizaje profundo no supervisado. Con cada volumen centrado en tres algoritmos distintos, descubrimos que esta es la mejor estructura para dominar el aprendizaje profundo.

2. TUTORIALES DE INTUICIÓN

Tantos cursos y libros simplemente te bombardean con la teoría, las matemáticas y la codificación … Pero se olvidan de explicar, quizás, la parte más importante: por qué estás haciendo lo que estás haciendo. Y así es como este curso es tan diferente. Nos enfocamos en desarrollar una * sensación * intuitiva para los conceptos detrás de los algoritmos de Deep Learning.

Con nuestros tutoriales de intuición, estará seguro de que comprende todas las técnicas a nivel instintivo. Y una vez que proceda a los ejercicios prácticos de codificación, verá por sí mismo cuánto más significativa será su experiencia. Este es un cambio de juego.

3. PROYECTOS EMOCIONANTES

¿Estás cansado de los cursos basados ​​en conjuntos de datos obsoletos y sobreutilizados?

¿Si? Bueno, entonces te espera un regalo.

Dentro de esta clase, trabajaremos en conjuntos de datos del mundo real para resolver problemas comerciales del mundo real. (Definitivamente no es el aburrido iris o los conjuntos de datos de clasificación de dígitos que vemos en cada curso). En este curso resolveremos seis desafíos del mundo real:

• Redes neuronales artificiales para resolver un problema de abandono de clientes
• Redes neuronales convolucionales para el reconocimiento de imágenes
• Redes neuronales recurrentes para predecir los precios de las acciones
• Mapas autoorganizados para investigar el fraude
• Boltzmann Machines para crear un sistema Recomender
• Autoencoders * apilados para asumir el desafío del premio de $ 1 millón de Netflix

* Autoencoders apilados es una técnica completamente nueva en Deep Learning que ni siquiera existía hace un par de años. No hemos visto este método explicado en ningún otro lugar con suficiente profundidad.

4. CODIFICACIÓN MANUAL

En Deep Learning AZ ™ codificamos junto con usted. Cada tutorial práctico comienza con una página en blanco y escribimos el código desde cero. De esta manera, puede seguir y comprender exactamente cómo se une el código y qué significa cada línea.

Además, estructuraremos el código a propósito para que pueda descargarlo y aplicarlo en sus propios proyectos. Además, explicamos paso a paso dónde y cómo modificar el código para insertar SU conjunto de datos, para adaptar el algoritmo a sus necesidades y obtener el resultado que busca.

Este es un curso que naturalmente se extiende a su carrera.

5. APOYO EN CURSO

¿Alguna vez ha tomado un curso o leído un libro donde tiene preguntas pero no puede comunicarse con el autor?

Bueno, este curso es diferente. Estamos totalmente comprometidos a hacer de este el curso de Deep Learning más disruptivo y poderoso del planeta. Con eso viene la responsabilidad de estar constantemente allí cuando necesite nuestra ayuda.

De hecho, dado que físicamente también necesitamos comer y dormir, hemos reunido un equipo de científicos de datos profesionales para ayudarnos. Cada vez que haga una pregunta, recibirá una respuesta de nosotros dentro de un máximo de 48 horas.

No importa cuán compleja sea su consulta, estaremos allí. La conclusión es que queremos que tenga éxito.

– Las herramientas –

Tensorflow y Pytorch son las dos bibliotecas de código abierto más populares para Deep Learning. ¡En este curso aprenderás ambos!

TensorFlow fue desarrollado por Google y se utiliza en su sistema de reconocimiento de voz, en el nuevo producto de fotos de google, gmail, búsqueda de google y mucho más. Las compañías que usan Tensorflow incluyen AirBnb, Airbus, Ebay, Intel, Uber y docenas más.

PyTorch es igual de poderoso y está siendo desarrollado por investigadores de Nvidia y universidades líderes: Stanford, Oxford, ParisTech. Las empresas que usan PyTorch incluyen Twitter, Saleforce y Facebook.

Entonces, ¿cuál es mejor y para qué?

Bueno, en este curso tendrás la oportunidad de trabajar con ambos y comprender cuándo Tensorflow es mejor y cuándo PyTorch es el camino a seguir. A lo largo de los tutoriales, comparamos los dos y le damos consejos e ideas sobre cuál podría funcionar mejor en ciertas circunstancias.

Lo interesante es que ambas bibliotecas tienen poco más de 1 año. A eso nos referimos cuando decimos que en este curso le enseñamos los modelos y técnicas de Deep Learning más avanzados.

– Más herramientas –

Theano es otra biblioteca de aprendizaje profundo de código abierto. Es muy similar a Tensorflow en su funcionalidad, pero aun así lo cubriremos.

Keras es una biblioteca increíble para implementar modelos de aprendizaje profundo. Actúa como una envoltura para Theano y Tensorflow. Gracias a Keras, podemos crear modelos de aprendizaje profundo potentes y complejos con solo unas pocas líneas de código. Esto es lo que le permitirá tener una visión global de lo que está creando. Todo lo que haga se verá tan claro y estructurado gracias a esta biblioteca, que realmente obtendrá la intuición y la comprensión de lo que está haciendo.

– Aún más herramientas –

Scikit-learn la biblioteca más práctica de Machine Learning. Lo usaremos principalmente:

• para evaluar el rendimiento de nuestros modelos con la técnica más relevante, k-Fold Cross Validation
• para mejorar nuestros modelos con un ajuste de parámetros efectivo
• preprocesar nuestros datos para que nuestros modelos puedan aprender en las mejores condiciones

Y, por supuesto, tenemos que mencionar a los sospechosos habituales. Todo este curso se basa en Python y en cada sección obtendrá horas y horas de invaluable experiencia práctica de codificación práctica.

Además, a lo largo del curso utilizaremos Numpy para hacer cálculos altos y manipular matrices de altas dimensiones, Matplotlib para trazar gráficos perspicaces y Pandas para importar y manipular conjuntos de datos de la manera más eficiente.

– ¿Para quién es este curso? –

Como puede ver, hay muchas herramientas diferentes en el espacio de Deep Learning y en este curso nos aseguramos de mostrarle las más importantes y progresivas para que cuando termine con Deep Learning AZ ™ sus habilidades estén en funcionamiento. La vanguardia de la tecnología actual.

Si recién está comenzando en el aprendizaje profundo, este curso le resultará extremadamente útil. Deep Learning AZ ™ está estructurado en torno a enfoques especiales de programación de codificación, lo que significa que no se atascará en programación innecesaria o complejidades matemáticas y, en su lugar, aplicará técnicas de Deep Learning desde el principio del curso. Desarrollarás tus conocimientos desde cero y verás cómo con cada tutorial te vuelves más y más seguro.

Si ya tiene experiencia con Deep Learning, este curso le resultará refrescante, inspirador y muy práctico. Dentro de Deep Learning AZ ™, dominará algunos de los algoritmos y técnicas más avanzados de Deep Learning (algunos de los cuales ni siquiera existían hace un año) y a través de este curso obtendrá una inmensa cantidad de valiosa experiencia práctica con desafíos empresariales del mundo real. Además, en el interior encontrarás inspiración para explorar nuevas habilidades y aplicaciones de Deep Learning.

– Estudios de casos del mundo real –

Dominar el aprendizaje profundo no se trata solo de conocer la intuición y las herramientas, también se trata de poder aplicar estos modelos a escenarios del mundo real y obtener resultados mensurables reales para el negocio o proyecto. Es por eso que en este curso presentamos seis desafíos emocionantes:

# 1 problema de modelado de rotación

En esta parte, resolverá un desafío de análisis de datos para un banco. Se le dará un conjunto de datos con una gran muestra de los clientes del banco. Para hacer este conjunto de datos, el banco recopiló información como identificación del cliente, puntaje de crédito, sexo, edad, tenencia, saldo, si el cliente está activo, tiene una tarjeta de crédito, etc. Durante un período de 6 meses, el banco observó si estos los clientes se fueron o se quedaron en el banco.

Su objetivo es crear una red neuronal artificial que pueda predecir, basándose en la información geodemográfica y transaccional proporcionada anteriormente, si algún cliente individual abandonará el banco o se quedará (abandono del cliente). Además, se le pide que clasifique a todos los clientes del banco, según su probabilidad de irse. Para hacer eso, necesitará usar el modelo correcto de Deep Learning, uno basado en un enfoque probabilístico.

Si tiene éxito en este proyecto, creará un valor agregado significativo para el banco. Al aplicar su modelo de Deep Learning, el banco puede reducir significativamente la rotación de clientes.

# 2 Reconocimiento de imagen

En esta parte, creará una red neuronal convolucional que puede detectar varios objetos en imágenes. Implementaremos este modelo de aprendizaje profundo para reconocer a un gato o un perro en un conjunto de imágenes. Sin embargo, este modelo se puede reutilizar para detectar cualquier otra cosa y le mostraremos cómo hacerlo, simplemente cambiando las imágenes en la carpeta de entrada.

Por ejemplo, podrá entrenar el mismo modelo en un conjunto de imágenes cerebrales, para detectar si contienen un tumor o no. Pero si desea mantenerlo adaptado a gatos y perros, literalmente podrá tomar una fotografía de su gato o su perro, y su modelo predecirá qué mascota tiene. ¡Incluso lo probamos en el perro de Hadelin!

# 3 Predicción de precios de acciones

En esta parte, creará uno de los modelos de aprendizaje profundo más potentes. Incluso llegaremos a decir que creará el modelo de Deep Learning más cercano a la “Inteligencia Artificial” . ¿Porqué es eso? Debido a que este modelo tendrá memoria a largo plazo, al igual que nosotros, los humanos.

La rama del aprendizaje profundo que facilita esto son las redes neuronales recurrentes. Los RNN clásicos tienen poca memoria, y no fueron populares ni poderosos por esta razón exacta. Pero una mejora importante reciente en las redes neuronales recurrentes dio lugar a la popularidad de los LSTM (RNN de memoria a corto plazo) que ha cambiado completamente el campo de juego. ¡Estamos extremadamente entusiasmados de incluir estos métodos de aprendizaje profundo de vanguardia en nuestro curso!

En esta parte, aprenderá a implementar este modelo ultrapotente y asumiremos el desafío de usarlo para predecir el precio real de las acciones de Google. Investigadores de la Universidad de Stanford ya han enfrentado un desafío similar y nuestro objetivo será hacer al menos tan bien como ellos.

# 4 detección de fraude

Según un informe reciente publicado por Markets & Markets, el mercado de detección y prevención de fraudes tendrá un valor de $ 33.19 mil millones de dólares para 2021. Esta es una industria enorme y la demanda de habilidades avanzadas de aprendizaje profundo solo va a crecer. Es por eso que hemos incluido este estudio de caso en el curso.

Esta es la primera parte del Volumen 2: Modelos de aprendizaje profundo no supervisados. El desafío comercial aquí es detectar fraudes en las aplicaciones de tarjetas de crédito. Creará un modelo de aprendizaje profundo para un banco y recibirá un conjunto de datos que contiene información sobre los clientes que solicitan una tarjeta de crédito avanzada.

Estos son los datos que los clientes proporcionaron al completar el formulario de solicitud. Su tarea es detectar posibles fraudes dentro de estas aplicaciones. Eso significa que al final del desafío, literalmente, obtendrá una lista explícita de clientes que potencialmente hicieron trampa en sus aplicaciones.

Sistemas de recomendación n. ° 5 y 6

Desde sugerencias de productos de Amazon hasta recomendaciones de películas de Netflix: los buenos sistemas de recomendación son muy valiosos en el mundo de hoy. Y los especialistas que pueden crearlos son algunos de los científicos de datos mejor pagados del planeta.

Trabajaremos en un conjunto de datos que tenga exactamente las mismas características que el conjunto de datos de Netflix: muchas películas, miles de usuarios, que han calificado las películas que vieron. Las calificaciones van de 1 a 5, exactamente como en el conjunto de datos de Netflix, lo que hace que el Sistema de recomendaciones sea más complejo de construir que si las calificaciones fueran simplemente “Me gusta” o “No me gusta”.

Su sistema de recomendación final podrá predecir las clasificaciones de las películas que los clientes no vieron. En consecuencia, al clasificar las predicciones de 5 a 1, su modelo de Deep Learning podrá recomendar qué películas debe ver cada usuario. Crear un sistema de recomendación tan poderoso es todo un desafío, por lo que nos daremos dos oportunidades. Lo que significa que lo construiremos con dos modelos diferentes de Deep Learning.

Nuestro primer modelo será Deep Belief Networks, máquinas complejas de Boltzmann que se cubrirán en la Parte 5. Luego, nuestro segundo modelo será con los potentes AutoEncoders, mis favoritos personales. Apreciará el contraste entre su simplicidad y de lo que son capaces.

E incluso podrás aplicarlo a ti mismo o a tus amigos. La lista de películas será explícita, por lo que simplemente tendrá que calificar las películas que ya vio, ingresar sus calificaciones en el conjunto de datos, ejecutar su modelo y ¡listo! ¡El Sistema de recomendación te dirá exactamente qué películas te encantarían una noche si no tienes idea de qué mirar en Netflix!

– Resumen –

En conclusión, este es un programa de entrenamiento emocionante lleno de tutoriales de intuición, ejercicios prácticos y estudios de casos del mundo real.

¡Estamos muy entusiasmados con el aprendizaje profundo y esperamos verte dentro de la clase!

Kirill y Hadelin

¿Quién es el público objetivo?

• Cualquier persona interesada en el aprendizaje profundo
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Deep Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático o el aprendizaje profundo, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística y temas más avanzados como las redes neuronales artificiales, pero que quieran aprender más sobre él y explorar todos los diferentes campos de Deep Aprendizaje
• Cualquiera que no se sienta tan cómodo con la codificación pero que esté interesado en Deep Learning y quiera aplicarlo fácilmente en 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 Deep Learning
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist
• Cualquier persona que quiera crear valor agregado a su negocio mediante el uso de potentes herramientas de Deep Learning
• Los dueños de negocios que quieran entender cómo aprovechar la tecnología exponencial de Deep Learning en sus negocios
• Cualquier emprendedor que quiera crear disrupción en una industria utilizando los algoritmos más avanzados de Deep Learning

Requisitos

• Solo un nivel de matemáticas de secundaria

Enlace del curso: Deep Learning AZ ™: Redes neuronales artificiales prácticas | Aprende a crear algoritmos de aprendizaje profundo en Python

Siento que el último recurso agregado al campo recientemente es bastante robusto. Aqui esta el link-

Aprendizaje profundo con aplicaciones que usan Python: Chatbots y reconocimiento de rostro, objetos y voz con TensorFlow y Keras: Navin Kumar Manaswi: 9781484235157: Amazon.com: Libros

Un extracto aquí:

“Dado que el mundo se está enfocando en la Inteligencia Artificial de una forma u otra, el Aprendizaje Profundo como el mejor componente de la Inteligencia Artificial tomará el centro del escenario. Deep Learning hace un trabajo maravilloso en el reconocimiento de patrones, especialmente en el contexto de imágenes, sonido, habla, lenguaje y datos de series de tiempo.

Cuando hablamos de Deep Learning, es probable que discutamos los mejores marcos para el desarrollo de Deep Learning. Afortunadamente, en noviembre de 2015, Google lanzó Tensorflow, marco de aprendizaje profundo, que se ha utilizado en la mayoría de los productos de Google, como la búsqueda de Google, la detección de spam, el reconocimiento de voz, Google Allo, Google Now y Google Photos.

Tensorflow permite el paralelismo de modelos y el paralelismo de datos. TensorFlow proporciona múltiples API. El API de nivel más bajo, TensorFlow Core, le proporciona un control de programación completo ”.

Actualmente también estoy aprendiendo aprendizaje profundo. Establecí un plan de 1 año para mí. He implementado este plan durante casi 1 mes y medio. Me gustaría compartir mi experiencia y mi experiencia con usted para que pueda elegir algunos consejos que se ajusten a su estado actual.

Como principiante, tengo estadísticas y antecedentes financieros. Aprendí y usé Python durante aproximadamente 1–2 años. No hay capacitación profesional en el área CS o ML.

En resumen, mi plan de aprendizaje abarca: lectura, práctica de codificación, conferencias y proyectos. Mi enfoque principal es implementar redes neuronales en tensorflow.

1. Leí escrito por Ian Goodfellow,

Yoshua Bengio y Aaron Courville todos los días durante al menos 2 horas.

1. Para empezar, también recomiendo algunos cursos en línea como cs231n y cs224n de Stanford.
2. En cuanto a la parte de codificación, comienzo con algunas tareas simples como la regresión lineal y la regresión logística. Asegúrese de familiarizarse con los conceptos básicos como el marcador de posición, varias funciones de costo y optimizadores, etc. de manera práctica.
3. Descubrí que es muy útil comenzar a codificar redes neuronales con numpy ya que la mayoría de las operaciones de tensorflow también podrían reescribirse en numpy.
4. También establecí el tiempo para aprender diferentes tipos de redes neuronales (su definición y aplicaciones) y luego doy una conferencia todas las noches para revisar lo que he aprendido.
5. El fin de semana, descargo conjuntos de datos de Kaggle o uso la API de Twitter para hacer algunos análisis de texto o de sentimientos (ya que la PNL es mi enfoque principal también) con la red neuronal para probar lo que he aprendido durante los días de la semana.

En este momento, puedo construir redes neuronales profundas básicas, incrustación de palabras como word2vec y doc2vec (+ visualizar la incrustación con el tensorboard) y redes neuronales recurrentes por mí mismo. Además, he terminado 5 capítulos de y he realizado alrededor de 7 a 8 proyectos de fin de semana hasta ahora.

Ha sido un proceso de aprendizaje muy gratificante para mí hasta ahora. Puedes tener mucha libertad para hacer un arte de las redes neuronales.

Espero que encuentres estos útiles. ¡Gracias!

Desea aprender Deep Learning en 2 meses. Es mejor tomar cualquier curso en línea

Te sugeriré los mejores cursos en línea de aprendizaje profundo

==> Deep Learning AZ ™: redes neuronales artificiales prácticas

*** Como se ve en Kickstarter ***

La inteligencia artificial está creciendo exponencialmente. No hay duda sobre eso. Los autos autónomos recorren millones de millas, IBM Watson está diagnosticando a los pacientes mejor que los ejércitos de médicos y AlphaGo de Google Deepmind venció al campeón mundial en Go, un juego donde la intuición juega un papel clave.

Pero cuanto más avanza la IA, más complejos se vuelven los problemas que necesita resolver. Y solo el aprendizaje profundo puede resolver problemas tan complejos y es por eso que está en el corazón de la inteligencia artificial.

– ¿Por qué Deep Learning AZ? –

Aquí hay cinco razones por las que creemos que Deep Learning AZ ™ es realmente diferente y se destaca de la multitud de otros programas de capacitación que existen:

1. ESTRUCTURA ROBUSTA

Lo primero y más importante en lo que nos enfocamos es darle al curso una estructura robusta. El aprendizaje profundo es muy amplio y complejo y para navegar por este laberinto necesitas una visión clara y global del mismo.

Es por eso que agrupamos los tutoriales en dos volúmenes, que representan las dos ramas fundamentales del aprendizaje profundo: aprendizaje profundo supervisado y aprendizaje profundo no supervisado. Con cada volumen centrado en tres algoritmos distintos, descubrimos que esta es la mejor estructura para dominar el aprendizaje profundo.

2. TUTORIALES DE INTUICIÓN

Tantos cursos y libros simplemente te bombardean con la teoría, las matemáticas y la codificación … Pero se olvidan de explicar, quizás, la parte más importante: por qué estás haciendo lo que estás haciendo. Y así es como este curso es tan diferente. Nos enfocamos en desarrollar una * sensación * intuitiva para los conceptos detrás de los algoritmos de Deep Learning.

Con nuestros tutoriales de intuición, estará seguro de que comprende todas las técnicas a nivel instintivo. Y una vez que proceda a los ejercicios prácticos de codificación, verá por sí mismo cuánto más significativa será su experiencia. Este es un cambio de juego.

3. PROYECTOS EMOCIONANTES

¿Estás cansado de los cursos basados ​​en conjuntos de datos obsoletos y sobreutilizados?

¿Si? Bueno, entonces te espera un regalo.

Dentro de esta clase, trabajaremos en conjuntos de datos del mundo real para resolver problemas comerciales del mundo real. (Definitivamente no es el aburrido iris o los conjuntos de datos de clasificación de dígitos que vemos en cada curso). En este curso resolveremos seis desafíos del mundo real:

• Redes neuronales artificiales para resolver un problema de abandono de clientes
• Redes neuronales convolucionales para el reconocimiento de imágenes
• Redes neuronales recurrentes para predecir los precios de las acciones
• Mapas autoorganizados para investigar el fraude
• Boltzmann Machines para crear un sistema Recomender
• Autoencoders * apilados para asumir el desafío del premio de $ 1 millón de Netflix

* Autoencoders apilados es una técnica completamente nueva en Deep Learning que ni siquiera existía hace un par de años. No hemos visto este método explicado en ningún otro lugar con suficiente profundidad.

4. CODIFICACIÓN MANUAL

En Deep Learning AZ ™ codificamos junto con usted. Cada tutorial práctico comienza con una página en blanco y escribimos el código desde cero. De esta manera, puede seguir y comprender exactamente cómo se une el código y qué significa cada línea.

Además, estructuraremos el código a propósito para que pueda descargarlo y aplicarlo en sus propios proyectos. Además, explicamos paso a paso dónde y cómo modificar el código para insertar SU conjunto de datos, para adaptar el algoritmo a sus necesidades y obtener el resultado que busca.

Este es un curso que naturalmente se extiende a su carrera.

5. APOYO EN CURSO

¿Alguna vez ha tomado un curso o leído un libro donde tiene preguntas pero no puede comunicarse con el autor?

Bueno, este curso es diferente. Estamos totalmente comprometidos a hacer de este el curso de Deep Learning más disruptivo y poderoso del planeta. Con eso viene la responsabilidad de estar constantemente allí cuando necesite nuestra ayuda.

De hecho, dado que físicamente también necesitamos comer y dormir, hemos reunido un equipo de científicos de datos profesionales para ayudarnos. Cada vez que haga una pregunta, recibirá una respuesta de nosotros dentro de un máximo de 48 horas.

No importa cuán compleja sea su consulta, estaremos allí. La conclusión es que queremos que tenga éxito.

– Las herramientas –

Tensorflow y Pytorch son las dos bibliotecas de código abierto más populares para Deep Learning. ¡En este curso aprenderás ambos!

TensorFlow fue desarrollado por Google y se utiliza en su sistema de reconocimiento de voz, en el nuevo producto de fotos de google, gmail, búsqueda de google y mucho más. Las compañías que usan Tensorflow incluyen AirBnb, Airbus, Ebay, Intel, Uber y docenas más.

PyTorch es igual de poderoso y está siendo desarrollado por investigadores de Nvidia y universidades líderes: Stanford, Oxford, ParisTech. Las empresas que usan PyTorch incluyen Twitter, Saleforce y Facebook.

Entonces, ¿cuál es mejor y para qué?

Bueno, en este curso tendrás la oportunidad de trabajar con ambos y comprender cuándo Tensorflow es mejor y cuándo PyTorch es el camino a seguir. A lo largo de los tutoriales, comparamos los dos y le damos consejos e ideas sobre cuál podría funcionar mejor en ciertas circunstancias.

Lo interesante es que ambas bibliotecas tienen poco más de 1 año. A eso nos referimos cuando decimos que en este curso le enseñamos los modelos y técnicas de Deep Learning más avanzados.

– Más herramientas –

Theano es otra biblioteca de aprendizaje profundo de código abierto. Es muy similar a Tensorflow en su funcionalidad, pero aun así lo cubriremos.

Keras es una biblioteca increíble para implementar modelos de aprendizaje profundo. Actúa como una envoltura para Theano y Tensorflow. Gracias a Keras, podemos crear modelos de aprendizaje profundo potentes y complejos con solo unas pocas líneas de código. Esto es lo que le permitirá tener una visión global de lo que está creando. Todo lo que haga se verá tan claro y estructurado gracias a esta biblioteca, que realmente obtendrá la intuición y la comprensión de lo que está haciendo.

– Aún más herramientas –

Scikit-learn la biblioteca más práctica de Machine Learning. Lo usaremos principalmente:

• para evaluar el rendimiento de nuestros modelos con la técnica más relevante, k-Fold Cross Validation
• para mejorar nuestros modelos con un ajuste de parámetros efectivo
• preprocesar nuestros datos para que nuestros modelos puedan aprender en las mejores condiciones

Y, por supuesto, tenemos que mencionar a los sospechosos habituales. Todo este curso se basa en Python y en cada sección obtendrá horas y horas de invaluable experiencia práctica de codificación práctica.

Además, a lo largo del curso utilizaremos Numpy para hacer cálculos altos y manipular matrices de altas dimensiones, Matplotlib para trazar gráficos perspicaces y Pandas para importar y manipular conjuntos de datos de la manera más eficiente.

==> Especialización en aprendizaje profundo por Andrew Ng Cofundador, Coursera

En cinco cursos, aprenderá los fundamentos del aprendizaje profundo, comprenderá cómo construir redes neuronales y aprenderá a liderar proyectos exitosos de aprendizaje automático. Aprenderá sobre redes convolucionales, RNN, LSTM, Adam, Dropout, BatchNorm, Xavier / He inicialización, y más. Trabajará en estudios de casos de atención médica, conducción autónoma, lectura de lenguaje de señas, generación de música y procesamiento de lenguaje natural. No solo dominará la teoría, sino que también verá cómo se aplica en la industria. Practicará todas estas ideas en Python y en TensorFlow, que le enseñaremos.

También escuchará a muchos de los principales líderes de Deep Learning, quienes compartirán con usted sus historias personales y le darán consejos sobre su carrera.

La IA está transformando múltiples industrias. Después de terminar esta especialización, es probable que encuentre formas creativas de aplicarla a su trabajo.

Te ayudaremos a dominar el aprendizaje profundo, entender cómo aplicarlo y desarrollar una carrera en IA

Cursos relevantes

1. Ciencia de datos: aprendizaje profundo en Python

2. Zero to Deep Learning ™ con Python y Keras

Todo lo mejor .

¿2 meses? Ooof, eso es duro. Debes darte cuenta de que serás un practicante, no un investigador. ¡Sin embargo, no es una mala manera de comenzar!

Nota: Esto supone que conoce matemáticas básicas como álgebra lineal, cálculo multivariable y optimización simple.

1. Use el curso CS231n como material de un mes. Si solo puede hacer una cosa, haga esto.
2. Elija un marco y haga el tutorial MNIST. Recomiendo Caffe o Keras para principiantes.
3. Ahora, use TensorFlow / Keras / Caffe / MXNet / whateveryouwantNet para hacer una red neuronal. Elija un conjunto de datos oscuro (por lo que no hay respuestas prefabricadas) para desafiarse a sí mismo para crear una red. NO use una arquitectura prefabricada como Inception.
4. Aléjese de su red desde el paso 3.
5. Pase a las redes neuronales convolucionales en el curso de Hugo Larochelle.
6. En los últimos días, vuelva a visitar su red desde el paso 3 e intente mejorarla (es decir, Leaky ReLUs o BatchNorm).
7. ¡Disfruta de tu nuevo conocimiento! ¡Únete a nosotros en r / machinelearning, twitter y quora!

Técnicamente, no puedes … ver más abajo. Pero, dependiendo de sus definiciones, la respuesta corta es: depende.

Preguntas como esta a veces me deprimen porque parecen tener la intención de trivializar la cantidad de estudios e investigaciones que he realizado. Si bien no soy un experto en aprendizaje profundo, lo he estudiado y no me siento cómodo diciendo que lo he “aprendido” … probablemente Hinton, LeCun y Ng dirían que no han “aprendido” el aprendizaje profundo, simplemente porque es un campo de investigación en constante expansión que, francamente, tiene mucha profundidad por explorar.

El pronóstico, algo en lo que soy experto, a menudo se trata de la misma manera. Muchas cosas son.

Entonces, para recapitular: ¿de qué depende “aprender X en el período de tiempo Y”?

Cuánto sabes y cuán profundamente quieres aprenderlo.

Específicamente: si no sabe qué es un tensor, pero está de acuerdo con que su aprendizaje sea cómo usar un software de forma semiinteligente … tal vez, solo tal vez, puede hacerlo en dos meses. Pero no podrá lidiar con nada que no haya cubierto en esos dos meses a menos que sea increíblemente inteligente o ya tenga una gran cantidad de conocimiento relacionado.

Lo que pasa con el aprendizaje es: nunca se detiene. Al menos no debería. No conozco la motivación para querer aprender aprendizaje profundo en dos meses, pero es probable que esté relacionado con el empleo. Cualquiera que quiera hacer un aprendizaje profundo específicamente mientras está empleado podría impulsar el proceso de aprendizaje con dos meses de estudio intensivo, pero tendrían que trabajar igual de duro en el estudio mientras trabajaban, ya que el aprendizaje profundo es un campo en continua expansión.

Depende de lo que quieras decir con “aprender”. Puedes aprender a ejecutar scripts que entrenan a modelos en algunos problemas de juguetes en unas pocas horas.

He estado haciendo aprendizaje profundo durante unos 18 meses, casi a tiempo completo. Y diría que ahora sé lo más básico.

¿Convertirse en un experto capaz de diseñar arquitecturas exóticas completamente nuevas y nuevas ideas radicales que realmente funcionen bien? 5 años de arduo trabajo deberían ser suficientes si aprende rápido.

¿Cómo puedes aprender aprendizaje profundo en 2 meses? No puedes Así como no puedes aprender a convertirte en un violinista de clase mundial en 2 meses.

Prueba 2 años. Hay muchos libros muy recomendados por ahí. Léalos y pruebe esas técnicas en problemas que le parezcan interesantes. No hay ningún atajo.

El aprendizaje profundo suena genial. Casi todos en mi lugar de trabajo hablan de eso. Así que decidí tratar de entender por qué tanto alboroto. Hay una gran cantidad de recursos disponibles en línea. No te pierdas en esto.

No me gusta seguir demasiados recursos para aprender porque la tasa de aprendizaje se vuelve más lenta y una gran cantidad de contenido se vuelve repetitivo.

Sugeriré solo dos recursos para aprender.

El primero es un libro en línea. Aquí está el enlace. Los ejemplos aquí están bien explicados y desarrolla una comprensión intuitiva del tema.

El segundo es un MOOC de Jeremy Howard.

Jeremy toma un enfoque muy diferente a la enseñanza en su curso aquí. Todo lo que se espera que aprenda de este curso es que debería haber codificado durante al menos un año.

Hay video conferencias, cuadernos de Python que tienen el código y sus explicaciones. El curso también tiene un Wiki y un foro muy útil.

¡Feliz aprendizaje!

Dos meses es un buen período de tiempo para dominar las habilidades de Deep Learning.

Déjame decirte el enfoque correcto a seguir.

Al principio, debes saber que Deep Learning es un subconjunto de Machine Learning. Por lo tanto, para dominar el aprendizaje profundo debe conocer los conceptos de aprendizaje automático.

Ahora déjame decirte cuáles son los temas que debes saber

• ¿Qué es el aprendizaje automático y qué es el aprendizaje profundo, cómo son diferentes?
• ¿Diferentes tipos de algoritmos de Machine Learning?

1. Algoritmos de aprendizaje supervisados
2. Algoritmos de aprendizaje no supervisados
3. Algoritmos de aprendizaje por refuerzo

• ¿Cuáles fueron las limitaciones del aprendizaje automático y cómo el aprendizaje profundo los supera?

Ahora, si desea una guía en profundidad sobre Deep Learning, aquí hay una capacitación estructurada sobre Deep Learning con TensorFlow:

Curso de aprendizaje profundo | Curso TensorFlow | Entrenamiento AI | Edureka

Y si quieres algunos freebinds, aquí hay una serie de blogs y una lista de reproducción de youtube para que puedas seguir:

Tutorial de aprendizaje profundo | AI utilizando Deep Learning | Edureka

Tutorial de inteligencia artificial para principiantes – YouTube

¡Feliz aprendizaje!

Afortunadamente, hay muchas respuestas excelentes aquí que le permiten aprovechar mejor los 2 meses.

Me gustaría complementarlos. Dado que la codificación es una parte básica de la misma, deberá profundizar en qué motor de framework / biblioteca / aprendizaje automático es el adecuado para usted.

Hay un par por ahí, uno que destaca mucho es Tensor Flow [1], o el más tradicional, ENCOG [2].

Además, déjame contarte sobre el RLM [3] (Ryskamp Learning Machine). Es fácil de aprender y con unas pocas líneas de código, puede entrenar inmediatamente su motor para resolver problemas comunes.

Un consejo importante: sigue leyendo. Incluso si crees que ya eres un experto, sigue adelante y lee. Deep Learning está en constante evolución, tendrás que mantenerte al día.

Te deseo suerte en tu esfuerzo.

Notas al pie

[1] TensorFlow

[2] Marco de aprendizaje automático de Encog

[3] useAIble ™

En primer lugar, debe tener las habilidades matemáticas básicas de nivel universitario.

Luego, la comprensión básica del aprendizaje automático al inscribirse en la clase de aprendizaje automático de Coursera Andrew Ng. Y terminar todas las tareas.

Finalmente, ¿debe tomar una decisión sobre lo que quiere hacer con DL? PNL o visión por computadora?

Si la visión por computadora:

Finalice Stanford CS231n (CS231n: Redes neuronales convolucionales para el reconocimiento visual, descargue todos los videos y termínelos con tareas) y lea una gran cantidad de documentos relacionados del archivo e-Print de arXiv.org. Y comience su propio proyecto con Caffe o Torch.

Si PNL:

Termine Stanford CS224d (CS224d: aprendizaje profundo para el procesamiento del lenguaje natural) igual que la visión por computadora.

No es un trabajo de dos meses. Además, hay demasiados documentos excelentes que debes aprender. Puede echar un vistazo a los documentos arxiv relacionados todas las mañanas. Siempre hay algo nuevo.

¿Dos meses?

Creo que una pregunta precisa sería: “¿Qué tanto del aprendizaje profundo puedo aprender en 2 meses?”.

Esta pregunta es como preguntar, ¿cómo puedo terminar 12 cursos de física en 2 meses? En el mejor de los casos, comenzará algunos, pero aún tendrá MUCHO, más para aprender. Por supuesto, si eres un genuino (que sabrás si tienes 11 años tomando cursos universitarios), entonces el tiempo de aprendizaje será mucho más corto.

Si desea configurar un modelo de detección de objetos simple usando tensorflow o caffe, yo diría que es un buen objetivo de fin de proyecto de dos meses.

* Escribí esta respuesta asumiendo que la persona que hace la pregunta sabe cómo codificar, ha tomado todos los cursos de matemática necesarios y al menos un curso de aprendizaje automático.

La mayoría de las respuestas a preguntas como esta (“¿Cómo aprendo x en y días / semanas / meses?”) Son listas largas y detalladas de temas. Estas respuestas pueden parecer útiles, pero la verdad es que no lo son. ¿Por qué? Porque tratar de aprender sin comprender cómo funciona realmente el aprendizaje es una experiencia frustrante, difícil y a menudo inútil .

Comencemos con su línea de tiempo. Dos meses no es tiempo suficiente para hacer algo más que el progreso básico en una habilidad con cualquier tipo de complejidad real.

Si está empezando desde cero, puedo decirle con confianza que no podrá hacerlo. Lo siento.

Su cerebro tiene un límite de lo que puede procesar en un día, sin importar cuánto quiera aprender. Los procesos biológicos (particularmente la consolidación de la memoria ) que su cerebro debe atravesar para construir recuerdos también requieren períodos de descanso y sueño para funcionar correctamente.

El aprendizaje y la memoria están estrechamente unidos: no se puede tener uno sin el otro. Dado que los procesos de memoria requieren tiempo y descanso, siempre habrá un cuello de botella en su capacidad de aprender rápidamente. El enfoque del aprendizaje debería convertirse en la eficiencia, que se puede lograr haciendo un esfuerzo por comprender todos los procesos involucrados en el aprendizaje.

Si viene de un entorno en el que tiene muchos conocimientos preexistentes (particularmente en temas relevantes como estadísticas, álgebra lineal y programación), entonces tal vez pueda comenzar a trabajar en un par de meses. Desde la perspectiva, es solo cuestión de agregar algunos bits de conocimiento adicionales a sus esquemas internos existentes.

Pero incluso entonces, es muy poco probable que tenga algo más que un nivel básico de comprensión. Definitivamente no estará en un nivel de habilidad o conocimiento experto, o incluso intermedio, en ese punto, sin importar cuánto conocimiento relevante pueda tener con anticipación. El aprendizaje lleva tiempo, ahora hay una forma de evitarlo.

Si desea información adicional, escribí otra respuesta similar aquí: la respuesta de Ace Eddleman a Tengo un plan de 400 días para aprender sobre el aprendizaje automático. Espero construir mi propio bot de juegos que pueda jugar al menos 2 juegos. ¿Qué tan plausible es esto?

Como puede ver en la larga lista de respuestas, 2 meses no son realistas. (si no tiene poca experiencia sobre sistemas operativos, programación, programación)

Comienza a aprender. Codifique todos los días. Pruebe estos tutoriales que estoy creando y manteniendo con la última versión y proyectos.

TarrySingh / Tutoriales de Inteligencia Artificial-Aprendizaje Profundo-Máquina-Aprendizaje

¡Buena suerte!

Si solo tiene 2 meses, le sugiero que busque aplicaciones de compilación con Deep Learning, como la clasificación de dígitos MNIST y el análisis de sentimiento IMDB, y tal vez un problema de regresión con Deep Neural Network.

Use marcos de aprendizaje profundo de alto nivel como Keras, ya que no tendrá tiempo para sumergirse en profundidad.

Lea al menos un documento para cada uno de DNN, CNN, RNN, hay algunos blogs útiles y documentos sugeridos aquí y allá.

2 meses es demasiado corto, incluso un curso en línea como Andrew Ng Machine Learning lleva por diseño 3 meses solo para dar un poco de sabor. Para construir cualquier cosa seria para fines comerciales o industriales, es imperativo entender lo que el algoritmo está haciendo matemáticamente debajo del capó.

Apreciamos su actitud hacia el aprendizaje de la tecnología emergente de más alta calificación. Su excentricidad de interés debe canalizarse de una manera adecuada y prometedora. Aquí en Collabera TACT estamos inclinados hacia el mismo objetivo mencionado anteriormente.

Los métodos de aprendizaje automático se utilizan para el análisis de datos, aquí es donde son similares a la minería de datos, pero el objetivo principal del aprendizaje automático es automatizar los modelos de decisión. Los algoritmos son el corazón y el alma del aprendizaje automático y ayudan a las computadoras a encontrar información oculta.

Entonces, en esencia, los algoritmos de aprendizaje automático deben aprender. La máquina necesita aprender de los datos. Los datos tendrán múltiples dimensiones: tipo (cuantitativo o cualitativo), cantidad (tamaño grande o pequeño) y cantidad de variables disponibles para resolver un problema. Los algoritmos de aprendizaje también deben ser tan generales como sea posible. Deberíamos buscar algoritmos que puedan aplicarse fácilmente a una amplia clase de problemas de aprendizaje.

Los científicos de datos son responsables del aprendizaje automático y de obtener resultados, pero las personas de negocios son las que van a usarlo para fines comerciales, por lo que las reglas y los conocimientos extraídos del aprendizaje automático deben ser interpretables. Por lo tanto, la salida producida por la máquina debe ser entendida por los humanos, que pueden no ser del área de aprendizaje automático.

Nuestra capacitación tiene como objetivo proporcionar a los participantes los algoritmos de aprendizaje automático más recientes y de uso general. Al mismo tiempo, la capacitación tiene como objetivo ofrecer algunos hilos comunes o una base de conocimiento común que se pueda utilizar en el futuro para aprender una amplia gama de algoritmos. Te asesoramos en R, Python y SAS.

Puede inscribirse para el entrenamiento con nuestra academia Collabera TACT. Únase a nosotros y sobresalga en su carrera aprendiendo y capacitándose en estas tecnologías emergentes. Solicitar a todas las personas interesadas que compartan su identificación de correo electrónico y número de contacto o puede contactarme en [correo electrónico protegido]