Te sugiero que aprendas Machine Learning usando Python.
Porque Python tiene muchas bibliotecas, que brindan soporte para ML.
- ¿Qué tan avanzada es la mejor IA en 2017 y qué tan avanzada podría ser la mejor IA en 2037?
- Si utilizáramos el aprendizaje automático para operar los semáforos y el tráfico de los EE. UU. En las principales ciudades, ¿cuánto mejoraría eso la vida diaria?
- ¿Es una buena idea crear un bot de Poker utilizando el aprendizaje automático para ayudar a un jugador a tomar decisiones?
- ¿Qué tan efectivo y fácil es usar Octave para el aprendizaje automático?
- ¿Cuál es la diferencia entre ensacado y aprendizaje en conjunto?
Mejor curso en línea de Python
Python for Data Science y Machine Learning Bootcamp
¡Aprenda a usar NumPy, Pandas, Seaborn, Matplotlib, Plotly, Scikit-Learn, Machine Learning, Tensorflow y más!
Aquí puedes aprender
- Programando con Python
- NumPy con Python
- Uso de marcos de datos de pandas para resolver tareas complejas
- Use pandas para manejar archivos de Excel
- Raspado web con python
- Conecte Python a SQL
- Use matplotlib y seaborn para visualizaciones de datos
- Use plotly para visualizaciones interactivas
- Aprendizaje automático con SciKit Learn, que incluye:
- Regresión lineal
- K vecinos más cercanos
- K significa agrupamiento
- Árboles de decisión
- Bosques al azar
- Procesamiento natural del lenguaje
- Redes neuronales y aprendizaje profundo
- Máquinas de vectores de soporte
- ¡y mucho, mucho más!
Si quieres aprender Machine Learning, mejor aprender en línea
Machine Learning AZ ™: Python práctico y R en ciencia de datos
aqui puedes aprender
- 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 ,
