Aprendí Machine Learning a través del curso en línea. [después de participar en foros en línea]
Pero me gusta el curso en línea de Machine Learning, ese es mi favorito.
- ¿Existe alguna posibilidad de que la química del aprendizaje automático pueda correlacionarse con la nanotecnología?
- ¿La IA y el aprendizaje automático implican mucha codificación?
- ¿Cuál es la pérdida latente en autoencoders variacionales?
- ¿Qué tan difícil es para un estudiante de pregrado ser aceptado en un grupo de investigación en la universidad?
- ¿Cuáles son los mejores métodos de detección de anomalías para imágenes?
Machine Learning AZ ™: Python & R práctico en ciencia de datos por el equipo de Super Data Science
Aquí mi instructor favorito era Kirill. Hizo un trabajo increíble.
Aquí 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 .