Echa un vistazo a Kaggle: el hogar de la ciencia de datos
Comience con los desafíos ‘Comenzar’ .
El desafío Titanic es excelente para comenzar: Titanic: Machine Learning from Disaster
- ¿Qué otras arquitecturas de redes neuronales se han utilizado para reducir las facturas de energía del centro de datos aparte del método de DeepMind?
- Cómo demostrar que minimizar la suma residual de cuadrados es equivalente a maximizar la función de log-verosimilitud
- ¿La IA y el aprendizaje automático implican mucha codificación?
- ¿Cuál es la diferencia entre una inferencia y una predicción?
- ¿Se reemplazará la programación de la computadora por aprendizaje automático?
Lea los foros, eche un vistazo a los diferentes guiones, haga preguntas …
Entonces puedes pasar a competiciones más desafiantes. Si te gusta la física y el aprendizaje automático, entonces puedes disfrutar de este desafío: Sabores de la física: Encontrar τ → μμμ.
Si tiene algún conocimiento de Python, también puede echar un vistazo a la página de ejemplos de Scikit-learn: Ejemplos: documentación de scikit-learn 0.16.1. Es una excelente manera de descubrir las capacidades de la biblioteca Scikit-learn mientras aprende nuevos algoritmos de ML.
¡Espero que esto ayude!
Para obtener más información sobre Kaggle y cómo ser bueno en eso, lea las siguientes respuestas:
- La respuesta de Yassine Alouini a yo recién estoy comenzando en Kaggle. Tengo experiencia en aprendizaje automático y modelos gráficos probabilísticos. ¿Cómo puedo mejorar en Kaggle?
- ¿Qué tipo de libertades tengo con los datos de Kaggle?
Algunas fuentes:
- Sitio web de Kaggle: el hogar de la ciencia de datos
- Página de ejemplo de Scikit-learn : Ejemplos – documentación de scikit-learn 0.16.1
