El aprendizaje automático es una subárea central de la inteligencia artificial, ya que permite a las computadoras entrar en un modo de autoaprendizaje sin ser programado explícitamente. Cuando se exponen a nuevos datos, los programas de computadora están habilitados para aprender, crecer, cambiar y desarrollarse por sí mismos.
Para ser un principiante, necesita conocer algunos fundamentos matemáticos básicos antes de aprender ML.
- ¿Por qué la traducción automática neuronal a nivel de caracteres es más difícil que la traducción automática neuronal a nivel de palabra?
- ¿Cuál es el propósito de usar más de una capa convolucional en una red neuronal convolucional?
- ¿Qué saben los profesionales del aprendizaje automático y los científicos de datos de la industria sobre el análisis, la probabilidad basada en la teoría de la medida y el álgebra lineal numérica?
- ¿Qué cursos debería tomar para especializarse en aprendizaje automático, ciencia de datos e IA como estudiante de MS CS en USC?
- ¿Cómo funciona la selección de características bayesianas?
el aprendizaje de las matemáticas depende del nivel y el interés del individuo. La investigación en fórmulas matemáticas y el avance teórico del aprendizaje automático están en curso y algunos investigadores están trabajando en técnicas más avanzadas. Declararé lo que creo que es el nivel mínimo de matemáticas necesario para ser un aprendizaje automático.
Los temas matemáticos importantes necesarios para el aprendizaje automático son:
1. álgebra
2. probabilidad
3. estadísticas
4. cálculo
TAMBIÉN NECESITA EL CONOCIMIENTO DE PROGRAMACIÓN Y ALGORITMOS PARA APRENDER ML:
- Programación
- Programación R
- Pitón
- Algoritmos
puedes aprender machine learning a través de algunos cursos en línea:
MEJORES CURSOS EN LÍNEA DE APRENDIZAJE DE MÁQUINAS:
- Machine Learning AZ ™: Python práctico y R en ciencia de datos
- Bootcamp de ciencia de datos y aprendizaje automático con R
EL PRIMER CURSO ES EL MEJOR, CO ELIJA EL PRIMER CURSO …
de este curso puedes aprender sobre:
- 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
y también..
- 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
cursos en línea adicionales de aprendizaje automático:
- Aprendizaje automático para ciencia de datos
- principiante a avanzado: aprendizaje automático y redes neuronales
libros de texto sugeridos para el aprendizaje automático:
- Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos trabajados y estudios de casos (MIT Press) por John D. Kelleher y Brian Mac Namee y Aoife D’Arcy
- Python Machine Learning por Sebastian Raschka
- Introducción al aprendizaje automático con Python: una guía para científicos de datos por Andreas C. Müller y Sarah Guido
TODO LO MEJOR….
