Me gustan las notas de clase de andrew ng Machine Learning (folletos del curso) incluyendo notas de sección también.
Como ya está entusiasmado con el aprendizaje automático, después del curso de Andrew Ng podría ser un buen momento para repasar.
- probabilidad y estadísticas y
- álgebra lineal (gilbert strangs libro y conferencias son mejores en mi humilde opinión también khan academia es buena).
El aprendizaje automático de monje matemático también es muy diferente en sabor y sorprendente.
- ¿Cuáles son las medidas más precisas de la inteligencia artificial?
- ¿Qué pasaría si un robot autoconsciente cometiera un asesinato o cualquier otro delito? ¿Se les aplican las leyes actuales?
- Como hacer un robot
- ¿Qué harías si se te pidiera implementar AI en un sitio web o aplicación?
- ¿Por qué solo se utilizan redes neuronales convolucionales para imágenes, en lugar de otras técnicas de aprendizaje profundo?
Idealmente, le recomendaría que repase la probabilidad y las estadísticas y el álgebra lineal y comience directamente a leer un libro (algo así como
Reconocimiento de patrones y aprendizaje automático (Ciencias de la información y estadísticas): Christopher M. Bishop: 9780387310732: Amazon.com: Libros de Bishop
O
minería de datos, inferencia y predicción. 2da edición. por hastie)
También debe leer un poco sobre la programación lineal (Coursera) como primer paso para la optimización.
PS Kaggle es genial para aprender muchas cosas, pero no es la forma óptima de ser bueno en ML. Aunque lo ayudará a aprender cómo aplicar conceptos a problemas reales y ver las dificultades para adaptar un algoritmo a un problema como lo menciona Manish Khandelwal. Idealmente, después de algún tiempo, debe leer los trabajos de investigación después de conocer algunos conceptos básicos.
espero que esto ayude.