Mejor ir con el aprendizaje automático, hay varias oportunidades en el mercado actual.
Según el análisis, el crecimiento del aprendizaje automático en la década pasada es del 300%.
- ¿Qué aplicaciones prácticas ve para ejecutar los modelos TensorFlow en un teléfono inteligente?
- ¿Podría una red neuronal aproximarse a un sistema de ecuaciones diferenciales ordinarias y parciales?
- ¿Son los enfoques variacionales estocásticos la forma de hacer ML bayesiano a gran escala o ves alguna esperanza de ampliar los algoritmos basados en MCMC?
- ¿Cuáles son las principales áreas de la investigación bioinformática actual?
- ¿Cuál es el futuro del aprendizaje de refuerzo profundo? ¿Es una buena idea comenzar un doctorado ahora trabajando en ataques adversos en sistemas RL?
Así que aprende Machine Learning … Es mejor tomar cualquier curso en línea.
Le sugeriré el mejor curso en línea de Machine Learning.
1. Machine Learning AZ ™: Python práctico y R en ciencia de datos [Recomendado]
2. Bootcamp de ciencia de datos y aprendizaje automático con R
3. Ciencia de datos y aprendizaje automático con Python: ¡manos a la obra!
Es mejor tomar el primero
Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir nuestro conocimiento y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.
Te guiaremos paso a paso en el mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de la ciencia de datos.
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 en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.
Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.
Todo lo mejor .
