Para responder a su pregunta directamente … bueno, puede haber personas por ahí que “creen” que son un experto después de tomar el curso de ML de Andrew Ng. Pero, a menos que tengan alguna experiencia previa, o hayan estado estudiando MUCHO por su cuenta, casi definitivamente estarían bromeando.
El curso de Andrew Ng es un brillante curso introductorio para ML, sin embargo, carece de profundidad teórica o matemática, lo cual es esencial si quieres convertirte en un experto en ML.
Aunque lo anterior es cierto, Andrew Ng no está mintiendo cuando dice “el público debería considerarse un experto en Machine Learning si han completado con éxito la clase y absorbido el material”. Más bien, simplemente está tratando de ser alentador. Y también, para “absorber el material” por completo y en su totalidad (lo que en realidad no necesita hacer para la clase), necesitará buscar material suplementario.
- ¿Qué funciona mejor, un ANN con miles de unidades por capa pero solo docenas de capas o uno con docenas de unidades por capa, pero cientos de capas?
- ¿Cuántas imágenes de entrenamiento deberían usarse para una buena tarea de reconocimiento de género en OpenCV? ¿Hay algún conjunto de datos disponible para esta tarea?
- ¿Cuál es la forma completa de AUC en el estado de AUC de los resultados del examen AKTU?
- ¿Cuál es el mejor libro sobre Support Vector Machines?
- ¿Por qué la mayoría de las competencias recientes se centran en el aprendizaje profundo / redes neuronales? ¿No crea esto un desequilibrio en los tipos de problemas que se ofrecen?
Finalmente, como la mayoría de las clases en cursos y universidades, los cursos tienen un alcance limitado de temas y contenido en cada tema. Depende del estudiante profundizar en los temas no cubiertos en el curso y estudiar para obtener una comprensión matemática completa de los temas cubiertos en el curso. Incluso después de todo este estudio, aprender a aplicar y diseñar algoritmos de ML requiere más comprensión y experimentos en la práctica.