Si tuviera que armar un plan de estudio para un principiante, probablemente comenzaría con un curso de introducción fácil como
– Curso de aprendizaje automático de Andrew Ng en Coursera (Coursera)
- Fuera de Theano, Caffe y DeepLearning4j, ¿hay alguna buena biblioteca de DeepLearning?
- ¿Cuál es la mejor manera de analizar y predecir en base a un conjunto de datos que tiene texto y números?
- ¿Por qué Python es tan brillantemente superior a R en aprendizaje automático y tan totalmente inferior en estadística médica e investigación de drogas?
- ¿Cuáles son algunas aplicaciones interesantes de salud personalizada?
- ¿Cuál es la posibilidad de que un humano gane el juego de entropía?
A continuación, recomendaría un buen libro de introducción sobre ‘Minería de datos’ (la minería de datos se trata esencialmente de extraer conocimiento de los datos, principalmente utilizando algoritmos de aprendizaje automático). Puedo recomendar el siguiente libro escrito por uno de mis antiguos profesores:
– P.-N. Tan, M. Steinbach y V. Kumar. Introducción a la minería de datos, (Primera edición). Addison-Wesley Longman Publishing Co., Inc., Boston, MA, EE. UU., 2005.
Este libro le proporcionará una excelente visión general de lo que está actualmente disponible; no solo aprenderá sobre diferentes técnicas de aprendizaje automático, sino que también aprenderá a “comprender” y “manejar” e interpretar los datos: recuerde; sin datos informativos “buenos”, un algoritmo de aprendizaje automático es prácticamente inútil. Además, aprenderá sobre técnicas alternativas, ya que el aprendizaje automático no siempre es la única y mejor solución para un problema.
> si todo lo que tienes es un martillo, todo parece un clavo …
Ahora, después de completar el curso Coursera, tendrá una comprensión básica de ML y ampliará su comprensión a través del libro Data Mining.
No quiero publicitarme aquí, pero creo que mi libro sería un buen seguimiento para aprender ML con más profundidad, comprender los algoritmos, aprender sobre diferentes canales de procesamiento de datos y técnicas de evaluación, mejores prácticas y aprender cómo para poner en acción usando Python, NumPy, scikit-learn y Theano para que pueda comenzar a trabajar en sus proyectos personales.
Mientras trabaja en sus proyectos individuales, tal vez profundice su conocimiento (aprendizaje estadístico) a través de uno de los tres siguientes:
– T. Hastie, R. Tibshirani, J. Friedman, T. Hastie, J. Friedman y R. Tibshirani. minería de datos, inferencia y predicción. 2a edición, volumen 2. Springer, 2009.
– CM Bishop y col. Reconocimiento de patrones y aprendizaje automático | Christopher Bishop | Springer, volumen 1. springer Nueva York, 2006.
– Duda, Richard O., Peter E. Hart y David G. Stork. Clasificación de patrones, 2a edición. John Wiley & Sons, 2012.
Cuando haya terminado con todo eso y todavía tenga hambre de aprender más, le recomiendo
– el libro Deep Learning (página en iro.umontreal.ca) de Yoshua Bengio, Ian Goodfellow y Aaron Courville. La fecha de lanzamiento se establece alrededor de 2016, pero el manuscrito de 613 páginas ya está disponible a partir de hoy (en línea y de forma gratuita).
– Y en el medio, si está buscando una lectura de tiempo libre menos técnica pero muy inspiradora, le recomiendo El algoritmo maestro de Pedro Domingo: Cómo la búsqueda de la máquina de aprendizaje definitiva rehacerá nuestro mundo (Pedro Domingos)