Lo siento hermano, no puedes.
¿Puedes conducir un automóvil sin aprender a conducir? Puede ser que pueda arrancar el automóvil, pero puede golpear en pocos segundos … no puede controlar en la carretera.
- ¿Dónde puedo encontrar el conjunto de datos para un sistema de recomendación?
- ¿Por qué elegiría algoritmos de selección de características sobre la reducción dimensional?
- ¿Cuál es la explicación de la causa de la explosión y desaparición del gradiente de red neuronal recurrente RNN?
- ¿LinkedIn utiliza Deep Learning?
- ¿Qué son las redes neuronales profundas?
Aquí también la misma situación.
Mi sugerencia es primero aprender requisitos matemáticos para el aprendizaje automático
1. álgebra
2. probabilidad
3. estadísticas
4. cálculo
Eso es .
después de las matemáticas, generalmente necesita aprender programación [Python, programación R] y algoritmos.
El mejor curso en línea de aprendizaje automático
- Machine Learning AZ ™: Python práctico y R en ciencia de datos
- Bootcamp de ciencia de datos y aprendizaje automático con R
- Aprendizaje automático para ciencia de datos
elige el primer plato …
de este curso puedes aprender sobre:
Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos profundamente en Machine Learning. Está estructurado de la siguiente manera:
- Parte 1: preprocesamiento de datos
- Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
- Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
- Parte 4 – Agrupación: K-medias, agrupación jerárquica
- Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
- Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
- Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
- Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
- Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
- Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost
Además, el curso está repleto de ejercicios prácticos basados en ejemplos de la vida real. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.
además…
- Master Machine Learning en Python & R
- Tener una gran intuición de muchos modelos de Machine Learning
- Hacer predicciones precisas
- Haz un análisis poderoso
- Hacer modelos robustos de aprendizaje automático
- Crea un fuerte valor agregado para tu negocio
- Usar Machine Learning para fines personales
- Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
- Manejar técnicas avanzadas como la reducción de dimensionalidad
- Sepa qué modelo de Machine Learning elegir para cada tipo de problema
- Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.
libros de texto sugeridos (solo con fines de referencia)
- Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes por Aurélien Géron
- scikit-learn, un aprendizaje automático para principiantes absolutos: una introducción en inglés sencillo por Oliver Theobald
- Python Machine Learning: Machine Learning y Deep Learning con Python, nd TensorFlow, 2da edición por Sebastian Raschka y Vahid Mirjalili
TODO LO MEJOR….