¿Qué tan buenos antecedentes en ML ofrece el curso Coursera Machine Learning a alguien?

El curso de aprendizaje automático en Coursera es un lugar fantástico para comenzar a aprender ML, ya que el profesor Andrew ofrece una visión general de lo que es ML y de cómo las ideas / conceptos en ML son significativamente o sutilmente diferentes entre sí.

Aunque no te da un buen comienzo en el campo, te hace sentir que has hecho algo significativo. Las personas que terminaron el curso Coursera (incluso las que solo vieron los videos y no hicieron las tareas (lo hice con la edición anterior y probé las tareas en la segunda edición del curso)) ya no se sienten como un novato al leer artículos y descripciones de problemas que necesitan ML.

El profesor Andrew, además de enseñarle muchos algoritmos y conceptos clave (aunque no existe un algoritmo específico que pueda llamarse el algoritmo más importante en ML), destaca el hecho de que depende del programador modelar los problemas de acuerdo con su propia experiencia y lo que él espera que haga el programa. También explica que Machine Learning no resuelve ningún problema de manera singular, sino solo una aplicación de otras áreas de estadística y programación (álgebra lineal, optimización convexa, etc.).

En pocas palabras, el curso de ML en Coursera lo introduce al campo de la mejor manera posible y lo ayuda a tomar el Machine Learning como un curso serio y continuar aprendiendo y aplicando las ideas que aprendió.

Hay que recordar no llamarse a sí mismo un experto en Machine Learning justo después de terminar el curso Coursera. Es solo la punta del enorme iceberg que es Machine Learning.

Quería agregar el curso Stanford Online Lagunita: HumanitiesSciences: StatLearning-SP Statistical Learning como otro curso paralelo.

Este curso es realizado por los autores de Elementos de aprendizaje estadístico (ESL). Este curso es similar en nivel al curso Coursera pero el enfoque es ligeramente diferente.

Los dos libros de texto que son el estándar actual en el aprendizaje automático son

ESL (Amazon.com: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics) (9780387848570): Trevor Hastie, Robert Tibshirani, Jerome Friedman: Books)

Y

The Goodfellow et al. libro de texto Deep Learning (Deep Learning (serie de Computación Adaptativa y Aprendizaje Automático): Ian Goodfellow, Yoshua Bengio, Aaron Courville: 9780262035613: Amazon.com: Libros)

Mi impresión es que si comprende la mayoría de los conceptos en uno o ambos de estos dos libros, uno estaría bien encaminado para convertirse en un experto calificado en Aprendizaje Automático o al menos capaz de usar los métodos en su campo.

Stanford – muy básico
Stanford VER – ok
UoWashinton – decente
Aprender de los datos (caltech) (buscar en youtube) – decente
Si ha hecho este tiempo para comenzar a leer algunos buenos libros sobre álgebra lineal, ML y optimización.

More Interesting

¿Cuándo debo usar la asignación de Dirichlet latente en la minería de texto? ¿Es bueno usarlo para un sistema que requiere alta precisión, como un sistema de detección de fraude?

¿Qué puede ayudar a averiguar si una función de pérdida es sensible al ruido o no?

¿En qué situaciones, ha encontrado que el aprendizaje profundo no funciona bien?

¿Facebook utiliza el aprendizaje automático?

¿Cuál es la diferencia entre lógica difusa y aprendizaje automático?

¿Cuál es la diferencia entre Empirical Bayes e inferencia bayesiana?

¿Cuáles son las aplicaciones del aprendizaje profundo en la India?

¿Por qué se hace referencia a la validación como 'dev' en algunos ejemplos de programas de aprendizaje automático?

¿Puedo usar el aprendizaje por refuerzo para ayudar a las personas a elegir la ruta más barata cuando viajan en avión?

¿Son las computadoras mejores pensadores visuales?

¿Qué debe hacer un estudiante de diploma para aprender software o aprendizaje automático?

¿Cuáles serían los proyectos / servicios más interesantes en el cuidado de la salud que involucren alta tecnología como dispositivos móviles, big data y data science? Por ejemplo, Ginger.io.

¿Cuáles son los documentos que debería leer sobre los sistemas de recomendación basados ​​en el aprendizaje profundo?

Como dicen, cada función posible se puede modelar con una percepción de 2 capas, en teoría, ¿se puede modelar una función del universo en una red neuronal con 2 o 3 capas de profundidad?

¿Puedo usar TensorFlow sin tener experiencia con el aprendizaje automático?