¿Cuál es el básico antes de aprender el aprendizaje automático?

A CONTINUACIÓN SON LAS 5 COSAS BÁSICAS PARA APRENDER EL APRENDIZAJE DE MAQUINAS

¡ESPERO QUE SEA ÚTIL!

1. Fundamentos y programación de la informática

Los fundamentos informáticos importantes para los ingenieros de Machine Learning incluyen estructuras de datos (pilas, colas, matrices multidimensionales, árboles, gráficos, etc.), algoritmos (búsqueda, clasificación, optimización, programación dinámica, etc.), computabilidad y complejidad (P vs NP, problemas de NP completo, notación big-O, algoritmos aproximados, etc.) y arquitectura de la computadora (memoria, caché, ancho de banda, puntos muertos, procesamiento distribuido, etc.).

Debe poder aplicarlos, implementarlos, adaptarlos o abordarlos (según corresponda) al programar. Los problemas de práctica, las competencias de codificación y los hackatones son una excelente manera de perfeccionar tus habilidades.

2. Probabilidad y estadística

Una caracterización formal de la probabilidad (probabilidad condicional, regla de Bayes, probabilidad, independencia, etc.) y las técnicas derivadas de ella (redes de Bayes, procesos de decisión de Markov, modelos de Markov ocultos, etc.) están en el corazón de muchos algoritmos de Machine Learning; Estos son un medio para hacer frente a la incertidumbre en el mundo real. Estrechamente relacionado con esto está el campo de la estadística, que proporciona varias medidas (media, mediana, varianza, etc.), distribuciones (uniforme, normal, binomial, Poisson, etc.) y métodos de análisis (ANOVA, prueba de hipótesis, etc.) que son necesarios para construir y validar modelos a partir de datos observados. Muchos algoritmos de Machine Learning son esencialmente extensiones de procedimientos de modelado estadístico.

3. Modelado y evaluación de datos

El modelado de datos es el proceso de estimar la estructura subyacente de un conjunto de datos dado, con el objetivo de encontrar patrones útiles (correlaciones, grupos, vectores propios, etc.) y / o predecir propiedades de instancias nunca antes vistas (clasificación, regresión, detección de anomalías, etc. .). Una parte clave de este proceso de estimación es evaluar continuamente qué tan bueno es un modelo dado. Dependiendo de la tarea en cuestión, deberá elegir una medida de precisión / error adecuada (por ejemplo, pérdida de registro para la clasificación, suma de errores al cuadrado para regresión, etc.) y una estrategia de evaluación (división de prueba de entrenamiento, secuencial vs. validación cruzada aleatoria, etc.). Los algoritmos de aprendizaje iterativo a menudo utilizan directamente los errores resultantes para modificar el modelo (por ejemplo, la propagación hacia atrás para redes neuronales), por lo que comprender estas medidas es muy importante incluso para la aplicación de algoritmos estándar.

4. Aplicación de algoritmos y bibliotecas de aprendizaje automático

Las implementaciones estándar de los algoritmos de Machine Learning están ampliamente disponibles a través de bibliotecas / paquetes / API (por ejemplo, scikit-learn, Theano, Spark MLlib, H2O, TensorFlow, etc.), pero aplicarlos de manera efectiva implica elegir un modelo adecuado (árbol de decisión, vecino más cercano, neuronal net, máquina de vectores de soporte, conjunto de modelos múltiples, etc.), un procedimiento de aprendizaje para ajustar los datos (regresión lineal, descenso de gradiente, algoritmos genéticos, embolsado, refuerzo y otros métodos específicos del modelo), así como comprender cómo los hiperparámetros afectar el aprendizaje También debe ser consciente de las ventajas y desventajas relativas de los diferentes enfoques, y las numerosas trampas que pueden hacer que se tropiece (sesgo y varianza, sobreajuste y falta de ajuste, datos faltantes, pérdida de datos, etc.) Los desafíos de la ciencia de datos y el aprendizaje automático, como los de Kaggle, son una excelente manera de exponerse a diferentes tipos de problemas y sus matices.

5. Ingeniería de software y diseño de sistemas

Al final del día, la salida o entrega típica de un ingeniero de Machine Learning es software. Y a menudo es un componente pequeño que encaja en un ecosistema más grande de productos y servicios. Debe comprender cómo funcionan estas diferentes piezas, comunicarse con ellas (mediante llamadas a la biblioteca, API REST, consultas de bases de datos, etc.) y crear interfaces apropiadas para su componente de las que dependerán otros. Puede ser necesario un diseño cuidadoso del sistema para evitar cuellos de botella y permitir que sus algoritmos se escalen bien con el aumento de los volúmenes de datos. Las mejores prácticas de ingeniería de software (incluidos el análisis de requisitos, el diseño del sistema, la modularidad, el control de versiones, las pruebas, la documentación, etc.) son invaluables para la productividad, la colaboración, la calidad y el mantenimiento.

Machine Learning necesita algunos requisitos previos

1. Matemáticas

1. Matemáticas Básicas
2. Alebra Lineal
3. Probabilidad y Estadística
4. Cálculo

1. Programación Python o R

Estos conceptos básicos son suficientes para aprender el aprendizaje automático.

Si quieres aprender Machine Learning. te sugeriré

Los mejores cursos en línea de Machine Learning.

Machine Learning AZ ™: Python práctico y R en ciencia de datos

Aquí puedes aprender

• 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.

Cursos relevantes:-

• Bootcamp de ciencia de datos y aprendizaje automático con R
• Aprendizaje automático para ciencia de datos

Todo lo mejor .

El aprendizaje automático es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden acceder a los datos y utilizarlos para aprender por sí mismos.

Asegúrese de trabajar con cada uno de ellos para el aprendizaje automático:

· Estadísticas

· Álgebra lineal

· Cálculo

· Probabilidad

También puede pasar por algunos cursos en línea de aprendizaje automático:

Puedo sugerirle los cursos en línea de aprendizaje automático:

· Machine Learning AZ ™: Python práctico y R en ciencia de datos

Y aquí está el mejor y más utilizado curso en línea:

De esto puedes saber sobre:

Este curso es divertido y emocionante, pero al mismo tiempo se sumerge 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.

Algunos cursos más en línea de aprendizaje automático:

· Bootcamp de ciencia de datos y aprendizaje automático con R

· Aprendizaje automático para ciencia de datos

Libros de texto sugeridos para el aprendizaje automático: (solo con fines de referencia)

· Python Machine Learning: Machine Learning y Deep Learning con Python, scikit-learn y TensorFlow, segunda edición de Sebastian Raschka y Vahid Mirjalili

· Aprendizaje automático: algoritmos fundamentales para el aprendizaje supervisado y no supervisado con aplicaciones del mundo real por Joshua Chapmann

TODO LO MEJOR………………

Cuando los principiantes comienzan con el aprendizaje automático, la pregunta inevitable es “¿cuáles son los requisitos previos? ¿Qué necesito saber para comenzar?

El requisito previo principal para el aprendizaje automático es el análisis de datos.

Para los profesionales principiantes (es decir, piratas informáticos, codificadores, ingenieros de software y personas que trabajan como científicos de datos en negocios e industria) no es necesario saber tanto cálculo, álgebra lineal u otras matemáticas de nivel universitario para hacer las cosas.

Pero absolutamente necesita saber el análisis de datos.

El análisis de datos es la primera habilidad que necesita para hacer las cosas.

Es el requisito previo real para comenzar con el aprendizaje automático como profesional.

(Tenga en cuenta que a medida que esta publicación continúe, usaré el término “análisis de datos” como una abreviatura para “obtener datos, limpiar datos, agregar datos, explorar datos y visualizar datos”).

Esto es particularmente cierto para los principiantes. Aunque a niveles altos hay algunos científicos de datos que necesitan una habilidad matemática profunda, en un nivel inicial, repito, no es necesario conocer el cálculo y el álgebra lineal para construir un modelo que haga predicciones precisas.

Incluso si utiliza herramientas “listas para usar” como el R’s caret y el aprendizaje de scikit de Python, herramientas que hacen gran parte de las matemáticas difíciles para usted, no podrá hacer que estas herramientas funcionen sin una sólida comprensión del análisis exploratorio de datos y Visualización de datos. Para aplicar correctamente las herramientas como caret y scikit-learn, deberá poder recopilar, preparar y explorar sus datos. Necesita una comprensión sólida del análisis de datos.

Las matemáticas no son el requisito previo principal para el aprendizaje automático

Si es un principiante y su objetivo es trabajar en la industria o los negocios, las matemáticas no son el requisito previo principal para el aprendizaje automático. Eso probablemente se opone a lo que has escuchado en el pasado, así que déjame explicarte.

La mayoría de los consejos sobre aprendizaje automático provienen de personas que aprendieron ciencia de datos en un entorno académico.

Antes de continuar, quiero enfatizar que esto no es un jab. El uso del término “académico” no pretende ser un insulto. Las personas que trabajan en la academia con frecuencia desarrollan las herramientas que usan las personas en la industria. Y a través de la investigación, también impulsan el campo hacia adelante. Admiro a estas personas.

Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna tarea T y alguna medida de rendimiento P, si su rendimiento en T, medido por P, mejora con la experiencia E se conoce como Machine Learning. Machine Learning puede desempeñar un papel clave en una amplia gama de aplicaciones como minería de datos, procesamiento de lenguaje natural, reconocimiento de imágenes y sistemas expertos.

Algunas de las cosas básicas que hay que entender para comprender los conceptos de Machine Learning son

Probabilidad:

La probabilidad es uno de los conceptos clave para aprender Machine Learning y las leyes de probabilidad nos dicen cómo deben razonar los sistemas de IA, por lo que diseñamos nuestros algoritmos para calcular o aproximar varias expresiones derivadas usando la Teoría de la probabilidad. Y para analizar el comportamiento de los sistemas de IA propuestos. Podemos usar estadísticas y algunas probabilidades teóricamente.

Entrenando un modelo :

Este paso implica elegir el algoritmo apropiado y la representación de datos en la forma del modelo. Los datos limpios se dividen en dos partes: entrenamiento y prueba (proporción que depende de los requisitos previos); La primera parte (datos de capacitación) se utiliza para desarrollar el modelo. La segunda parte (datos de prueba), se utiliza como referencia.

Cálculo :

Los conceptos de diferenciación e integración ayudan a comprender los algoritmos utilizados en el aprendizaje automático.

El aprendizaje automático es diferente de la IA, el aprendizaje profundo o las redes neuronales:

Las personas tienden a superar todos estos términos de manera casual. Para sonar como un experto, aprende la diferencia.

Para más detalles: BEPEC | ¿Por qué ciencia de datos? Bangalore

• Álgebra lineal (espacios vectoriales, sistemas lineales, descomposición de matrices, etc.)
• Cálculo (derivadas parciales, gradientes de función, etc.)
• Probabilidades y estadísticas
• Sé competente en el lenguaje de programación que elijas (te sugiero que consideres Python o R)

Si está interesado en el aprendizaje automático para la ciencia de datos y conoce un poco de programación de Python, eche un vistazo al siguiente curso introductorio sobre probabilidad y estadística:

Estadísticas y probabilidad en ciencia de datos usando Python

¡Feliz aprendizaje!

Puede tomar el siguiente curso que necesita matemáticas básicas de la escuela secundaria como prerrequisito para aprender Machine Learning.

¿Interesado en el campo del aprendizaje automático? ¡Entonces este curso es para ti!

Los requisitos para tomar este curso son:

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Aprenda a crear algoritmos de aprendizaje automático en Python y R con dos expertos en ciencia de datos. Plantillas de código incluidas.

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir sus conocimientos y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.

Te llevarán paso a paso al 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 se sumergen 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.

¿Quién es el público objetivo?

• Cualquier persona interesada en Machine Learning
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Machine Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quieran obtener más información al respecto y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no se sienta cómoda con la codificación pero que esté interesada en el aprendizaje automático y quiera aplicarla fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist.
• Cualquier persona que desee crear valor agregado a su negocio mediante el uso de potentes herramientas de Machine Learning

¿Qué voy a aprender?

• 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.

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Por lo tanto, supongo que su pregunta es sobre los requisitos previos del aprendizaje automático.

Aquí va

1. Álgebra lineal
2. Cálculo (quizás también cálculo vectorial)
3. Estadísticas (cualquier curso introductorio de nivel universitario)
4. Probabilidad (mejor se bueno en esto)

Si eres bueno en esto, entonces estás listo para comenzar a aprender.

Yo personalmente sugeriría que para aprender recurra al curso de aprendizaje automático de Coursera por Andrew Ng, Universidad de Stanford. El curso es amigable para principiantes a pesar de ser matemáticamente transparente.

1. Aprende a programar y ser bueno en eso.
2. Aprender álgebra lineal y teoría de la probabilidad.
3. Elija un curso de aprendizaje automático. Hay muchos disponibles. Por Nando de Freitas, Tom Mitchell, Andre Ng, etc.
4. Luego, elija un campo al que desee aplicar el aprendizaje automático.
5. Participe en las competiciones de Kaggle con conjuntos de datos del mundo real.

Si le gustan los libros, puede probar el Reconocimiento de patrones y el aprendizaje automático de Christopher Bishop. Se considera la Biblia de este campo.

E implementa lo que aprendes. Hasta y a menos que implementes cosas, no obtienes el verdadero sabor del aprendizaje automático.

Los siguientes conceptos básicos son necesarios para el aprendizaje automático

• Álgebra lineal básica : tener un buen conocimiento de álgebra lineal sería muy útil. Para los temas iniciales de ML como análisis de regresión, etc. Conocer los conceptos básicos de Álgebra Lineal sería suficiente.
• Experiencia de programación: la experiencia de programación sería muy útil. La mayoría de la gente programa en Python, Java y R. Pero Python y R claramente se destacan por ser los líderes en los últimos días. Python es muy fácil y toma menos tiempo aprender cuando se compara con Java.
• Estadísticas y probabilidad: el aprendizaje automático se trata de estadísticas y probabilidad. Por lo tanto, tener un conocimiento en esa área sería importante. Uno debe ser bastante bueno para identificar distribuciones y tratar con ellas.
• Tener una sólida formación en matemáticas es muy importante para cualquier principiante en aprendizaje automático o inteligencia artificial.

Aprenda los conceptos básicos de la teoría de la probabilidad, las estadísticas y las matemáticas.

Recomendaría los siguientes enlaces:

• Álgebra lineal – Álgebra lineal – MIT 18.06 Álgebra lineal por Gilbert Strang
• Teoría de la probabilidad – Probabilidad y estadística – MIT 6.041 Análisis de sistemas probabilísticos y probabilidad aplicada por John Tsitsiklis
• Cálculo
• Cálculo multivariante
• Teoría de grafos
• Métodos de optimización

Entonces

CÓMO INICIAR EL APRENDIZAJE DE LA MÁQUINA

CÓMO APRENDER APRENDIZAJE DE MÁQUINAS EN 90 DÍAS

Los 10 mejores videos, tutoriales y cursos sobre aprendizaje automático hasta 2017

15 algoritmos que los ingenieros de aprendizaje automático deben saber

Lista de 10 libros gratuitos que debes leer para el aprendizaje automático

La mejor manera de comenzar a aprender Machine Learning en Python

Primer proyecto de aprendizaje automático en Python paso a paso

10 cursos de capacitación gratuitos sobre aprendizaje automático e inteligencia artificial

30 cosas que todos deberían saber sobre el aprendizaje automático

Los 35 principales proyectos de aprendizaje automático en Github

40 proyectos divertidos de aprendizaje automático para principiantes

Matemáticas, ya que todo el aprendizaje automático se basa en algunas áreas clave de las matemáticas: cálculo, álgebra lineal, estadística y teoría de la probabilidad (particularmente estadística avanzada y teoría de la probabilidad). A partir de ahí, los algoritmos serán más intuitivos y más fáciles de aprender cuando aplicar / no aplicar a datos reales. Después de eso, pruebe algunos algoritmos clave en el campo para tener una idea de ellos (consulte aquí para ver ejemplos: https://www.slideshare.net/Colle …).

Voy a respaldar y dar más detalles sobre el punto de probabilidad de Spandan Ghosh (“mejor sé bueno en esto”).

Ser bueno con la probabilidad requiere comprender más que la interpretación frecuentista cubierta en la mayoría de los cursos de estadística. Existen otras interpretaciones ampliamente utilizadas, incluso en algunas aplicaciones de aprendizaje automático (como los vehículos autónomos).

Dado que muchos sistemas tienen incertidumbres epistémicas significativas, la evaluación de la situación implica la fusión de la información, teniendo en cuenta las observaciones pasadas y las creencias probatorias. Las teorías de probabilidad como Bayesian, Dempster-Shafer y Dezert-Smarandache pueden ser herramientas poderosas para hacerlo bajo las circunstancias apropiadas.

Solo hablaré con el mundo de ML aplicado.

Por aplicado quiero decir … trabajas para una empresa y construyes modelos de extremo a extremo que se utilizan todos los días.

Primero, necesitarás una licenciatura. La mayoría de las empresas no se doblegan con esta. No tiene que estar en las computadoras.

Necesitará saber cómo codificar en Python. Es el lenguaje de facto en el mundo aplicado.

Mi curso lo ayudará a comenzar, pero este es el más básico que obtendrá.

Las 5 mejores bibliotecas de aprendizaje automático en Python – Udemy

Tendrás que saber cómo masajear o ‘discutir’ los datos. Esta es la parte difícil. El edificio de modelado es la parte divertida. Los datos de limpieza apestan.

Si tienes un fondo matemático o uno en estadísticas, entonces tienes un poco de ventaja.

Los que realmente tienen ventaja son desarrolladores o DBA que han realizado minería de datos.

No te quedes atrapado en las matemáticas. La mayoría de nosotros no crearemos los algos que simplemente utilizaremos los modos preconstruidos de alguien.

Para el aspecto teórico:

Cálculo (principalmente diferenciación), álgebra lineal, estadística, probabilidad.

Un curso introductorio de nivel de pregrado en todos estos debe ser suficiente como un buen punto de partida. Varias de las principales universidades han publicado sus conferencias completas en línea.

Para el aspecto práctico:

Programación (/ ¡buena comprensión de estructuras de datos y algoritmos!)

Bases de datos (Opcional al principio, pero eventualmente preferido)

1. Álgebra lineal básica : tener un buen conocimiento de álgebra lineal sería muy útil.
2. Conocimientos de programación: la experiencia previa en programación sería muy útil. La gente programa principalmente en Python.

Además, tener una sólida formación matemática es muy importante para cualquier principiante en ML o AI.

Método inferencial Método descriptivo

Media, mediana, varianza y desviación estándar

Rango, frecuencia y medidas de tendencia central

Histograma (Representación Gráfica)

Curva de campana y curtosis

Técnica estadística gráfica (prueba de hipótesis)

Proceso de prueba de hipótesis y pasos

Simplemente tome cualquier libro de nivel de introducción y comience a leer. Puedes elegir cualquier libro con ejercicios y ejemplos en R o Python. No te preocupes por las matemáticas. Eso puede suceder más tarde cuando elige realizar cambios en cualquier algoritmo.

Mantente alejado de los cursos. Son de serpiente.

Leer leer leer. Elija un dominio de su elección preferible donde sea más fácil encontrar datos relevantes.

Descargue los datos. Aplica lo que aprendes.

Puede elegir entre los siguientes libros:

1. https://www.amazon.com/Introduct …
2. Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes: Aurélien Géron: 9781491962299: Amazon.com: Libros

Antes de unirse a cualquier curso, vea los siguientes videos para comprender los fundamentos del aprendizaje automático.

¿Qué es el aprendizaje automático? Explicado con precisión en un lenguaje simple.

Increíbles ejemplos de Machine Learning en el mundo real.

¿Cuáles son los diferentes algoritmos en Machine Learning?

Aplicaciones de Machine Learning en las industrias como redes sociales, motores de búsqueda, atención médica, etc.

¿Qué es Python Machine Learning y cómo aprenderlo?