- 21-341 Álgebra lineal, 21-259 Cálculo en 3D, 21-325 Probabilidad y algunas clases de estadísticas son fundamentales. Creo que 36-325 / 326 son las clases de estadísticas fundamentales más rigurosas. 36-225 / 226 son demasiado fáciles de pasar sin aprender mucho, y puede que no te preparen adecuadamente para lo que vendrá después.
- 10-701 Aprendizaje automático. Esta es la clase de ML para estudiantes de doctorado CS. 601 es el de los estudiantes de maestría. Eso viene con sus altibajos. 701 está menos estructurado y tiende a variar más, pero al final obtienes inmersiones teóricas y un proyecto no estructurado. Si te gusta esto y quieres profundizar en la teoría, puedes tomar 10-702 Estadística de aprendizaje automático. Editar: 10-715 ahora es la clase equivalente, ver comentario.
- 10-605 Aprendizaje automático con grandes conjuntos de datos. Esta es una gran clase. Solo participé en él y desearía tener tiempo para terminarlo. Toma el inteligente e idealista teórico ML person 701 que te hace y te lanza al mundo desordenado del procesamiento de grandes conjuntos de datos con máquinas y software reales en lugar de fórmulas y pizarras.
- 15-440 Sistemas distribuidos. La clase tiene una mala reputación por ser “la clase de sistemas más fácil que el sistema operativo”, pero es muy aplicable a la industria. Aprenderá cómo las computadoras trabajan juntas para procesar grandes conjuntos de datos, comenzando con protocolos como UDP y TCP, subiendo la pila a interfaces de paso de mensajes y, en última instancia, abstracciones de nivel superior como Hadoop / Spark.
- 11-344 Aprendizaje automático en la práctica. Esta clase tiene mala reputación por ser demasiado fácil y no muy teórica. Implica usar Weka mucho para entrenar y probar diferentes modelos. Desearía que se fuera de Weka, pero resulta que esta clase es bastante representativa de lo que hacen muchos científicos de datos en la práctica: mezcla de datos, ingeniería de características, pruebas usando herramientas y plataformas existentes en lugar de implementar un descenso de gradiente estocástico un montón de veces.
- 10-802 Social Media Analysis es una clase que quería tomar pero que no estaba disponible en ese momento. Es una clase matemáticamente rigurosa de análisis de redes sociales. ¡Y William Cohen, quien también enseña 10-605 es un gran maestro!
- Mapping & Diagramming with Karen Moyer es una clase de diseño de la que he oído grandes cosas cuando se trata de visualización de datos.
Probablemente hay nuevos cursos que no conozco y otros cursos en el departamento de CS. ML estaba realmente despegando en el departamento de CS en 2011/12 más o menos cuando me iba, y ahora también tienen un Machine Learning Minor.
Esta es una visión general, alguien en MLD o LTI probablemente pueda responder mejor sobre clases muy específicas.
- ¿Cuál es el mejor instituto para aprender ciencia de datos en Hyderabad / Bangalore?
- Cómo convertirse en ingeniero de aprendizaje automático
- ¿Qué se entiende por indexar datos en términos de Elasticsearch?
- Cómo aprender ciencia de datos con comprensión práctica (incluida la certificación)
- ¿Cuáles son las principales demostraciones de big data?
