El aprendizaje automático es el campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente. Puedes aprender ML mediante cursos en línea, pero
En primer lugar, debes conocer algunos fundamentos básicos de matemáticas y programación.
- Soy gerente de producto no técnico en una empresa de tecnología empresarial. Teniendo en cuenta que la mayoría de los puestos de PM en estos días requieren algunas habilidades técnicas, quiero obtener una mejor comprensión de los roles que juegan los ingenieros de software en las empresas tecnológicas. ¿Dónde comenzaría uno? ¿Debo familiarizarme con lenguajes de programación específicos? ¿O centrarse más en el proceso de cómo se desarrolla el software?
- Cómo aprender el aprendizaje automático, qué idioma debo aprender y qué IDE debo usar
- ¿Por qué Harvard CS no es muy apreciado incluso si el programa produce relativamente más premios Turing que MIT, Stanford, Berkeley?
- ¿Es posible sincronizar datos en un clúster informático con la nube?
- ¿Cuánta potencia informática se necesitaría para simular un cuerpo humano a funciones celulares individuales?
Paso 1
temas de matemáticas: 1. ÁLGEBRA
2. PROBABILIDAD Y ESTADÍSTICAS
3. CÁLCULO
Paso 2
programación:
1. R
2. PITÓN
y también 3. ALGORITMOS
Paso 3
ahora puedes comenzar a aprender ML. Es bueno aprender de los cursos en línea, te sugiero los mejores cursos en línea.
LOS MEJORES CURSOS EN LÍNEA DE APRENDIZAJE DE MAQUINAS
- Machine Learning AZ ™: Python práctico y R en ciencia de datos
- Bootcamp de ciencia de datos y aprendizaje automático con R
- Aprendizaje automático para ciencia de datos
Elige el primer curso ..
de este curso puedes aprender sobre:
Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos profundamente en Machine Learning. Está estructurado de la siguiente manera:
- 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
y también….
- Master Machine Learning en Python & R
- Tener una gran intuición de muchos modelos de Machine Learning
- Hacer predicciones precisas
- Haz un análisis poderoso
- Hacer modelos robustos de aprendizaje automático
- Crea un fuerte valor agregado para tu negocio
- Usar Machine Learning para fines personales
- Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
- Manejar técnicas avanzadas como la reducción de dimensionalidad
- Sepa qué modelo de Machine Learning elegir para cada tipo de problema
- Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.
Cursos adicionales en línea:
- principiante a avanzado: aprendizaje automático y redes neuronales
- Python for Data Science y Machine Learning Bootcamp