La respuesta a su pregunta en realidad depende del tipo de problema que está tratando de resolver y también del contexto.
- Si está tratando de implementar / implementar un algoritmo de ML existente con muy poca o ninguna modificación, siempre hay buenas bibliotecas para ayudarlo. Elija la biblioteca que pertenece a su lenguaje de programación favorito y comience a desarrollar. Por ejemplo, Java-ML (en Java), libsvm (muchos idiomas disponibles y solo para SVM) son bibliotecas comerciales que ya han encontrado una gran cantidad de aplicaciones en la industria.
- Si está tratando de resolver un problema de investigación y desea modificar el algoritmo y necesita una flexibilidad absoluta, puede comenzar a escribir su propio código. Pero espera … no necesitas escribir todo desde cero. También hay bibliotecas para ayudar a los investigadores. Hay muchas bibliotecas que lo ayudarán al proporcionarle un montón de herramientas útiles . Puedes construir tu algoritmo además de eso. Por ejemplo, Theano (Python), Torch (Lua), etc. proporciona un marco de optimización de expresiones matemáticas bastante útil y cosas como el motor de diferenciación automática que se puede usar como un bloque de construcción para problemas complejos de ML.
En este contexto, vale la pena mencionar MATLAB. Su conjunto compacto de herramientas y funciones integradas suelen ser lo suficientemente buenas como para implementar algoritmos ML con gran flexibilidad. Aparte de MATLAB, Python y su marco numérico (numpy) es bastante popular en la comunidad ML.
- ¿En qué se diferencia el aprendizaje profundo del perceptrón multicapa?
- ¿Cuáles son las ventajas y desventajas de las API de servicios cognitivos de Microsoft?
- ¿De qué manera la Academia se está quedando atrás en la capacitación de Data Science?
- ¿Cuál es la diferencia entre regresión, clasificación y agrupamiento en el aprendizaje automático?
- ¿Qué universidades de la India son buenas para realizar investigaciones en el aprendizaje por refuerzo?
