Primero aprende Python . Luego, entrar en el aprendizaje automático.
Tome el mejor curso en línea de Machine Learning y luego aprenda.
- Cómo entrenar a una CNN con datos insuficientes y no tan buenos
- Cómo probar un conjunto de datos no se puede clasificar
- Cómo hacer una carrera desde el nivel más básico hasta el nivel profesional en ciencia de datos, aprendizaje automático y aprendizaje profundo
- ¿Cuál es la diferencia entre el aprendizaje de refuerzo profundo y el aprendizaje de refuerzo?
- Cómo dominar el aprendizaje automático en el menor tiempo posible
Mejor curso en línea de Python.
La Biblia de Python ™ | Todo lo que necesitas programar en Python
Variables : ¡aprenda a almacenar convenientemente datos en sus programas!
Números : ¡aprenda cómo funcionan los números detrás de escena en sus programas!
Cadenas – ¡Domina el texto de Python y automatiza los mensajes usando cadenas!
Lógica y estructuras de datos : ¡ enseñe a su programa a pensar y decidir!
Bucles : ahorre tiempo y esfuerzo , haciendo que las computadoras hagan el trabajo duro por usted.
Funciones – ¡ Automatice tareas creando sus propias funciones de Python que puede usar una y otra vez!
OOP : agregue Python a su currículum al dominar la programación orientada a objetos, ¡ el estándar de programación de la industria!
El mejor curso en línea de aprendizaje automático
Machine Learning AZ ™: Python práctico y R en ciencia de datos
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 nuestro conocimiento y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.
- 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.
Todo lo mejor .
Recursos adicionales :-
- Bootcamp de ciencia de datos y aprendizaje automático con R
- Aprendizaje automático para ciencia de datos