¿Qué es el aprendizaje automático?
El aprendizaje automático es una subárea central de la inteligencia artificial; Permite a las computadoras entrar en un modo de autoaprendizaje sin ser programado explícitamente. Cuando se exponen a nuevos datos, estos programas informáticos están habilitados para aprender, crecer, cambiar y desarrollarse por sí mismos.
- ¿Qué biblioteca de aprendizaje automático debo usar para encontrar la respuesta de una (s) pregunta (s) de texto / párrafo?
- ¿El estudio de algoritmos es relevante para el desarrollo actual?
- ¿Cuáles son todos los tipos de aprendizaje automático y todos utilizan los mismos principios?
- ¿Cómo demuestras que un idioma es seguro para escribir?
- ¿Cómo entiendo los conceptos subyacentes de las bibliotecas, incluidos archivos, archivos MAKE, indicadores de compilación, archivos de objetos y conceptos relacionados?
SAS, un desarrollador de software de análisis con sede en Carolina del Norte, utiliza esta definición: “El aprendizaje automático es un método de análisis de datos que automatiza la construcción de modelos analíticos”. En otras palabras, permite a las computadoras encontrar información perspicaz sin tener que programar dónde buscar un pieza particular de información; en cambio, lo hace mediante el uso de algoritmos que aprenden iterativamente de los datos.
En pocas palabras, el aspecto iterativo del aprendizaje automático es la capacidad de adaptarse a los nuevos datos de forma independiente. Esto es posible a medida que los programas aprenden de cálculos anteriores y usan el “reconocimiento de patrones” para producir resultados confiables.
¿Por qué el aprendizaje automático?
Para comprender mejor los usos del aprendizaje automático, considere algunos de los casos en los que se aplica el aprendizaje automático: el automóvil autónomo de Google, la detección de fraudes cibernéticos, motores de recomendación en línea, como sugerencias de amigos en Facebook, Netflix mostrando las películas y programas que le pueden gustar , y “más elementos a tener en cuenta” y “consígase algo” en Amazon: todos son ejemplos de aprendizaje automático aplicado.
Todos estos ejemplos reflejan el papel vital que el aprendizaje automático ha comenzado a asumir en el mundo rico en datos de hoy. Las máquinas pueden ayudar a filtrar información útil que ayuda en los avances importantes, y ya estamos viendo cómo se implementa esta tecnología en una amplia variedad de industrias.
CURSOS EN LÍNEA DE APRENDIZAJE DE MÁQUINAS …
- 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:
- 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
y también..
- 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:
- Python Machine Learning: Machine Learning y Deep Learning con Python, nd TensorFlow, 2da edición por Sebastian Raschka y Vahid Mirjalili
- Aprendizaje automático: algoritmos fundamentales para el aprendizaje supervisado y no supervisado con aplicaciones del mundo real por Joshua Chapmann
- Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos trabajados y estudios de casos (MIT Press) por John D. Kelleher y Brian Mac Namee y Aoife D’Arcy
TODO LO MEJOR…
