Experiencia de programación
NIVEL PRINCIPIANTE : lea los datos y cree el archivo de envío.
NIVEL INTERMEDIO: aplique validación cruzada, realice ingeniería de características y selección, y ajuste los parámetros.
NIVEL AVANZADO: acceso al servidor para la construcción rápida de modelos. Comprensión avanzada de todas las técnicas que enumeré anteriormente y la capacidad de implementarlas rápidamente guiado por una biblioteca personal de código y experiencia anteriores.
- ¿Cuál es la diferencia entre el aprendizaje automático en Python y R?
- ¿Cuál es el orden jerárquico del universo?
- ¿Quiénes son algunos de los mayores usuarios de Apache Hive? ¿Cuáles son sus casos de uso? ¿experiencias?
- ¿Cómo usa Apple el aprendizaje profundo?
- ¿Cómo puede llevar a cabo experimentos y compararlos con otros algoritmos en la investigación de la visión por computadora (detección de objetos, reconocimiento, seguimiento, etc.)?
Experiencia ML
NIVEL PRINCIPIANTE: aplique un modelo ML simple (como la regresión lineal)
NIVEL INTERMEDIO – Comprenda varios modelos de ML
NIVEL AVANZADO: comprensión avanzada de múltiples métodos de ML y métodos de conjunto (por ejemplo, embolsado, refuerzo, apilamiento).
Problemas que puedes abordar
NIVEL PRINCIPIANTE: cualquier problema que solo le proporcione una tabla de predictores numéricos
NIVEL INTERMEDIO: problemas que incluyen muchos archivos JSON o texto o características categóricas.
NIVEL AVANZADO : conjuntos de datos complicados que involucran características para múltiples objetos. Imágenes o sonidos.
Para los principiantes
Hay una buena cantidad de práctica y conocimientos de capacitación disponibles a través de ejemplos de capacitación y foros. Recomiendo tomarse un tiempo para sentirse cómodo con Python y / o R, ya que hay una gran cantidad de bibliotecas en ambos que pueden ayudarlo a lograr lo que necesita.
Todavía puede hacer Kaggle sin saber qué hacen cada algoritmo, ya que scikit-learn en Python y varios paquetes en R construirán los modelos por usted. Puede construir modelos bastante simples y enviarlos.
Sin embargo, para hacerlo bien en Kaggle, deberá poder implementar varias formas de validación cruzada para probar su modelo y mejorar su puntaje. Además, deberá poder comprender los modelos lo suficientemente bien como para poder ajustar los modelos con cuidado y comprender los beneficios relativos de cada modelo.
El conocimiento de leer un libro o tomar una clase de Coursera es definitivamente suficiente para comenzar. Pruebe diferentes métodos y características, combínelos, experimente con la optimización y haga preguntas en los foros. ¡Llegarás lejos!
¡Mira algunos de los recursos en el wiki de Kaggle!
Inicio – Kaggle