¿Qué tan importante es Octave como primer paso en Machine Learning? ¿Se utiliza en la industria?

Octave / Matlab es solo una herramienta, si quieres aprender sobre ML, no te centres en el lenguaje de programación, sino en conceptos, algoritmos, casos de uso, etc. Si tienes una sólida formación teórica, aprenderá lenguaje de programación. más fácil.

Con respecto a Octave, en mi universidad Matlab se usa mucho, pero más bien para sistemas de control que para aprendizaje automático. En general, la industria está cambiando hacia lenguajes como Python, R y Julia.

Octave es un lenguaje de nicho bastante con la mayor parte de su uso en la academia.
El aprendizaje automático es, en mi opinión, independiente del lenguaje. Octave es una opción tan buena como Python, R, Julia o C / C ++.
Sin embargo, la industria tiene dos requisitos claros, uno es el análisis rápido y la creación de prototipos de modelos, bastiones que posee R (para la gran comunidad y ayuda en línea disponible) y Julia que mejora ciertas características de R pero carece de la gran comunidad. El otro es la implementación del modelo de producción, que es un dominio Python / C-C ++, que es altamente estable.
Esta es la única razón por la que la industria no ha prestado mucho apoyo a la octava. En el frente de capacidades, no está muy lejos.

Octave (o su versión comercial Matlab) es importante para comprender el aprendizaje automático, ya que le permite crear fácilmente prototipos de todo el marco de aprendizaje automático sin preocuparse demasiado por los detalles de la programación. Por ejemplo, en mi humilde opinión, es relativamente más fácil declarar una matriz en Octave / Matlab que en C ++.

Otra cosa es que puede intentar programar todo el marco de aprendizaje automático (regresión, clasificación, etc.) sin utilizar ningún paquete preconstruido. Eso mejorará en gran medida su comprensión sobre el tema. Es relativamente más fácil hacerlo en Matlab / Octave.

Mi recomendación personal es el curso de ML del Dr. Andrew Ng sobre Coursera. Utiliza Octave / Matlab como lenguaje de enseñanza. Todo es lo suficientemente primitivo para que entiendas los conceptos desde el nivel del suelo.

Avíseme si necesita más aclaraciones sobre lo anterior.

De ningún modo. MATLAB se usa ampliamente en la industria, pero principalmente por razones históricas. Definitivamente no lo recomendaría como primer paso.

Yo comenzaría con Python. Entonces, también debes aprender R, es una mentalidad muy diferente y una herramienta muy útil también.

Siempre puede recoger MATLAB después si lo necesita. Pero no empieces con eso, te enseñará malos hábitos y te vinculará a la plataforma.

El punto de usar Octave para ML (como lo enseñó Andrew Ng) es llegar al quid de algunos conceptos de ML, y dejar que la gente profundice en las matemáticas básicas, sin los obstáculos de otros lenguajes / marcos. Cuando trabajas directamente en las matemáticas (especialmente para la regresión logística) usando Octave, uno no puede dejar de apreciar la razón de esta elección para enseñar ML. Matlab disponible comercialmente podría haberse usado, pero no es “gratis”. No importa si Octave se usa realmente en la industria para ML.

Si su primer paso es aprender más sobre el aprendizaje automático, elija el idioma utilizado en sus cursos. Andrew Ng usa Octave para su curso Coursera, por lo que probablemente quieras usar Octave si estuvieras tomando ese curso.

El idioma también varía con su caso de uso. Para una evaluación rápida de algunos algoritmos, R es muy agradable. Las herramientas de visualización y soporte de paquetes son bastante buenas. Para fines de producción, me mudaría a Python y luego a C ++.

Si está trabajando desde el punto de vista de probar y desarrollar nuevos algoritmos desde un punto de vista teórico, entonces, herramientas como octava y matlab son útiles. Si, por otro lado, no está tan preocupado por superar los límites, sino por crear productos que funcionen, entonces cosas como MALLET (Java) o Scikitlearn (Python) lo llevarán allí más rápido.

Octave es un buen lenguaje de alto nivel para crear prototipos de sus modelos de aprendizaje automático con bastante eficacia. Es efectivo, especialmente cuando quieres tener más control sobre tu modelo mientras aprendes. El curso de Andrew Ng recomienda Octave para empezar y estoy completamente de acuerdo con eso.

Comprender las operaciones de Octave y la matriz de codificación en Octave es bastante crucial, ya que prueba los fundamentos de álgebra lineal, lo que para mí es bastante importante para comprender algoritmos de aprendizaje avanzados.

Básicamente se utiliza principalmente para fines como la investigación, la enseñanza y dentro de las universidades. Lo más importante es que se usa como una opción / alternativa a Matlab, que tiene licencia.

Como Piotr ha descrito, Octave es solo una herramienta que utiliza para comprender el aprendizaje automático. Para comprender el funcionamiento de los conceptos de ML, es una gran herramienta. En términos de aceptación en la industria, no tanto.

Puedo hablar por empresas con sede en India y la mayoría de ellas piden experiencia en Python / R / Matlab cuando se trata de ML.

Si está dando los primeros pasos en Machine Learning, entonces Octave / MATLAB son buenos pasos (+1 a Octave por ser fuente libre). La última parte de la pregunta no debería molestarlo particularmente por razones que otros han señalado.