Soy un estudiante de Stanford que tomó CS 229 (Machine Learning) con el profesor Andrew Ng el año pasado y también busqué en línea la clase ML. Si alguien está interesado en la diferencia de los dos cursos en términos de contenido, aquí están algunas de mis observaciones.
(Curso en el campus = CS 229, curso en línea gratuito = clase ML)
Tanto la clase CS229 como la ML son similares en el sentido de que ambas son un curso de encuesta que tiene como objetivo cubrir una amplia gama de temas en Machine Learning. Se enseñan temas comunes como regresión, regresión con regularización, SVM, agrupamiento, reducción de dimensionalidad, detección de anomalías.
- ¿Cuál es la diferencia entre evaluación y validación en el aprendizaje automático?
- ¿Cuál es la mejor manera de explicar la desfragmentación en el contexto informático?
- ¿Por qué la inducción es más omnipresente que cualquier otra técnica de prueba en informática y lógica matemática?
- ¿Cuáles son algunas estrategias para hacerlo bien en 6.01 en MIT?
- ¿Qué tan bueno es Ingeniería Física, especialmente en IIT Hyderabad?
La clase de ML en línea se revisó recientemente y se agregaron varios temas, incluyendo: Sistema de recomendación, Aprendizaje automático a gran escala … etc. Estos son los temas que se enseñaron en CS 246 (Conjunto de datos masivos de minería) pero no aparecieron en CS 229. La red neuronal también se enseñó en la clase ML pero no en CS 229, pero se enseña en STAT 315B en Stanford.
Ambos cursos incluyeron una sección llamada “Consejos para aplicar el aprendizaje automático”. No subestime esta sección porque estos son muy útiles para determinar por qué su algoritmo no funciona bien. Recomiendo revisar los consejos nuevamente una vez que haya revisado todos los materiales una vez.